HLIFNO （Holding-Length-Invariant Fourier Neural Operator）를 이용한 증기터빈 계통병입 구간 열응력 예측
- 주제(키워드) 증기터빈 , 열응력 예측 , Fourier Neural Operator , 신경 연산자 , 기동 최적화
- 주제(DDC) 658.5
- 발행기관 아주대학교 일반대학원
- 지도교수 정준하
- 발행년도 2026
- 학위수여년월 2026. 8
- 학위명 석사
- 학과 및 전공 일반대학원 산업공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000036593
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
현대 전력 시스템에서 재생에너지 보급이 확대됨에 따라 유연한 부하 추종 운전 수요가 증가하면서, 증기터빈의 기동·정지 반복 횟수가 크게 늘고 있다. 기동 중 급격한 온도 과도 현상은 로터 내부에 반경 방향 온도 구배를 형성하여 열응력을 야기하며, 반복적인 열기계 하중은 저주기 피로 손상을 누적시켜 터빈 수명을 단축시킨다. 특히 계통병입 구간은 고온·고압 증기가 급격히 유입되어 기동 사이클 전체에서 열응력이 가장 높게 나타나는 구간임에도, 지속 시간이 짧고 확보 가능한 실측 데이터가 제한적이어서 기존 방법으로는 정확한 열거동 예측이 어렵다. 본 연구에서는 3,000 RPM 유지 구간의 운전 데이터로부터 계통병입 구간의 로터 온도 궤적과 열응력을 예측하는 HLIFNO（Holding-Length-Invariant Fourier Neural Operator） 프레임워크를 제안한다. 가변 길이의 유지 구간 시계열에서 기울기, 평균, 최댓값, 적분값의 네 가지 Feature를 추출하여 물리적으로 해석 가능한 고정 차원 입력 표현을 구성하고, 고압（HP）부와 중압（IP）부의 열적 특성 차이를 반영하여 각 구간별로 독립된 FNO 모델을 훈련한다. 예측된 온도 궤적은 물리 기반 그린 함수 합성곱을 적용한 열탄성 관계식을 통해 결정론적으로 열응력으로 변환되며, 이를 통해 데이터 기반 예측의 유연성과 물리적 일관성을 동시에 확보한다. 13개의 warm start 데이터셋에 대해 5-폴드 교차 검증을 수행한 결과, 제안 방법은 LSTM, SRU, IndRNN, QRNN, DeepONet, 재귀적 다단계 예측 방식 등 6가지 비교 모델 대비 HP 및 IP 구간의 모든 응력 채널에서 평균 MSE, 피크값 MSE, 피크 인덱스 MSE 등 모든 지표에서 최저 오차를 달성하였다. Cold start 및 hot start 조건에 대한 외삽 실험에서도 물리적으로 일관된 온도 거동과 합리적인 피크 예측 정확도를 유지함을 확인하였으며, 3,000 RPM 유지 시간 민감도 분석 결과, 유지 시간이 길어질수록 피크 열응력이 감소하는 물리적으로 타당한 경향이 관찰되었다. 주제어: 증기터빈, 열응력 예측, Fourier Neural Operator, 신경 연산자, 기동 최적화
more초록/요약
As the penetration of renewable energy sources increases in modern power systems, the demand for flexible load-following operation has grown, leading to a substantial increase in the number of start-up and shutdown cycles of steam turbines. During start-up, rapid thermal transients generate radial temperature gradients within the rotor, resulting in thermal stress. Repeated thermomechanical loading accumulates low-cycle fatigue damage and ultimately shortens turbine lifetime. In particular, the grid synchronization phase is a critical period in which high-temperature and high-pressure steam is rapidly introduced, often producing the highest thermal stress over the entire start-up cycle. However, accurate prediction of thermal behavior during this phase remains challenging because of its short duration and the limited availability of measured operational data. This study proposes a Holding-Length-Invariant Fourier Neural Operator （HLIFNO） framework for predicting rotor temperature trajectories and thermal stress during the synchronization phase using operational data from the 3,000 RPM holding phase. From variable-length holding-phase time series, four features—slope, mean, maximum, and integral—are extracted to construct a physically interpretable fixed-dimensional input representation. To account for the distinct thermal characteristics of the high-pressure （HP） and intermediate-pressure （IP） sections, independent FNO models are trained for each section. The predicted temperature trajectories are then deterministically converted into thermal stress using a thermoelastic relation based on physics-based Green’s function convolution, thereby ensuring both the flexibility of data-driven prediction and physical consistency. A five-fold cross-validation was conducted using 13 warm-start datasets. The proposed method achieved the lowest errors across all stress channels in both the HP and IP sections compared with six benchmark models: LSTM, SRU, IndRNN, QRNN, DeepONet, and recursive multi-step prediction. Specifically, it outperformed the benchmark models in terms of average MSE, peak value MSE, and peak index MSE. Extrapolation experiments under cold-start and hot-start conditions confirmed that the proposed framework maintained physically consistent temperature behavior and reasonable peak prediction accuracy. In addition, the sensitivity analysis of the 3,000 RPM holding duration showed a physically plausible trend in which peak thermal stress decreased as the holding duration increased. Keywords: steam turbine, thermal stress prediction, Fourier Neural Operator, neural operator, start-up optimization.
more목차
1. 서론 1
1.1. 연구 배경 및 필요성 1
1.2. 기존 연구 3
1.2.1. 해석적 방법 3
1.2.2. 수치적 시뮬레이션 방법 4
1.2.3. 최적화 기반 기동 스케줄링 방법 5
1.2.4. 데이터 기반 방법 6
1.2.5. 기존 방법론의 공통적 한계 8
2. 관련 이론적 배경 10
2.1. 증기터빈 기동 절차 10
2.1.1. 증기터빈 기동 유형의 분류 10
2.1.2. 기동 단계별 특성 12
2.1.3. 기동 조건의 가변성 15
2.2. 증기터빈 기동 구간의 열응력 16
2.2.1. 열응력의 발생 메커니즘 16
2.2.2. 과도 열전도 방정식 17
2.2.3. 열응력 계산 18
2.3. Neural Operator 20
2.3.1. 연산자 학습의 개념과 필요성 20
2.3.2. 주요 신경자 연산자 아키텍처 22
2.3.3. Fourier Neural Operator （FNO） 24
3. 제안 방법론 28
3.1. 프레임워크 개요 28
3.2. 입력 표현 모듈 29
3.3. 연산자 학습 모듈 （FNO） 36
3.4. 출력 모듈 38
3.4.1. 패딩을 이용한 시퀀스 표준화 38
3.4.2. 그린 함수 합성곱을 이용한 열응력 계산 39
4. 실험 및 결과 43
4.1. 데이터 설명 43
4.2. 온도 예측 결과 45
4.3. 열응력 예측 결과 47
4.4. 비교 모델 대비 성능 분석 49
4.4.1. 비교 모델 구성 49
4.4.2. 온도 예측 성능 비교 49
4.4.3. 열응력 예측 성능 비교 53
5. 제안 프레임워크의 운전 시나리오 적용 및 활용성 평가 56
5.1. 3,000 RPM 유지 시간의 영향 분석 56
5.2. 냉간 및 열간 기동 조건에 대한 일반화 성능 평가 60
6. 결론 64
7. 참고문헌 （Reference） 66
8. 부록 70
9. 영문 요약 （Abstract） 78
