Modélisation, prédiction et diagnostic des performances d'une turbine à gaz à base des méthodes déterministes et intelligentes // Modeling, Prediction and Diagnosis of Gas Turbine Performance Based on Deterministic and Intelligent Methods

Abstract

تحتل التوربينات الغازية (TAG) مكانة استراتيجية في إنتاج الطاقة الكهربائية وصناعة المحروقات، غير أن أداءها يبقى شديد الحساسية للظروف المناخية ولظواهر التدهور التدريجي، لا سيما تلوث الضاغط (المكثف) الذي يتسبب في أكثر من 70% من خسائر المردود. يقترح هذا العمل البحثي إطارًا منهجيًا شاملاً يجمع بين النماذج الحسابية الكلاسيكية والنماذج الذكية لنمذجة والتنبؤ وتشخيص أداء توربين غازي صناعي من طراز MS5002B، يقع في منطقة حاسي الرمل بالجزائر، اعتمادًا على بيانات تجريبية جُمعت على مدى إثني عشر شهرًا من التشغيل. تم أولاً تطوير نموذج إحصائي قائم على تصاميم التجارب (DoE)، حقق هذا النموذج معامل تحديد R² قيمته 0.9999. في موازاة ذلك، تم تحسين النمذجة بالشبكات العصبية الإصطناعية العميقة بإستخدام خوارزميات ميتاهيوريستيك متعددة الأهداف (MOGWO)و(SBOA) و(SHO)بهدف توليد جبهة باريتو توازن بين دقة التنبؤ والتكلفة الحسابية، وذلك بمعامل تحديد R² قيمته 0.999998، وهو أدق مقارنة بالنموذج(DoE)، كما تم دمج قيود فيزيائية ترموديناميكية في عملية التدريب لضمان تناسق التنبؤات. توفر النماذج المتحصل عليها، ولا سيما بنية خفيفة تم تحديدها بواسطة خوارزمية SBOA، أدوات موثوقة للمراقبة في الزمن الحقيقي، والصيانة التنبؤية، والكشف المبكر عن الأعطال، مما يساهم في تحسين الكفاءة الطاقوية للتوربين.

Gas turbines (GTs) occupy a strategic position in electrical power generation and the hydrocarbon industry, yet their performance remains highly sensitive to climatic conditions and progressive degradation phenomena, particularly compressor fouling, which is responsible for more than 70% of efficiency losses. This thesis proposes a comprehensive methodological framework combining classical deterministic approaches with intelligent approaches for the modeling, prediction, and diagnosis of the performance of an industrial MS5002B gas turbine located in the HassiR'mel region of Algeria, based on experimental data collected over twelve months of operation. A statistical model based on Design of Experiments (DoE) was first developed, achieving a coefficient of determination R² of 0.9999. In parallel, deep artificial neural networks were optimized using multi-objective metaheuristic algorithms (MOGWO, SBOA, and SHO) to generate a Pareto front balancing predictive accuracy and computational cost, achieving a coefficient of determination R² of 0.999998, more accurate than the DoE-based approach. Thermodynamic physical constraints were incorporated into the learning process to ensure the consistency of the predictions. The resulting models, particularly a lightweight architecture identified by SBOA, provide robust tools for real-time monitoring, predictive maintenance, and early anomaly detection, thereby contributing to the energy efficiency of the turbine.

Les turbines à gaz (TAG) occupent une place stratégique dans la production d’énergie électrique et l’industrie des hydrocarbures, mais leurs performances demeurent fortement sensibles aux conditions climatiques et à des phénomènes de dégradation progressive, notamment l’encrassement du compresseur, responsable de plus de 70% des pertes de rendement. Ce travail de thèse propose un cadre méthodologique complet combinant des approches déterministes classiques et des approches intelligentes pour la modélisation, la prédiction et le diagnostic des performances d’une turbine à gaz industrielle MS5002B sis à la région de HassiR’mel en Algérie, à partir de données expérimentales collectées sur douze mois de fonctionnement. Un modèle statistique basé sur les Plans d’Expériences a d’abord été développé, atteignant un coefficient de détermination R² de 0,9999. En parallèle, des réseaux de neurones artificiels profonds ont été optimisés par des algorithmes métaheuristiques multi-objectifs (MOGWO, SBOA et SHO) afin de générer un front de Pareto équilibrant précision prédictive et coût computationnel, avec un coefficient de détermination R² de 0,999998 plus précis par rapport l’approche à base du plan d’expériences DoE. Des contraintes physiques thermodynamiques ont été intégrées à l’apprentissage pour garantir la cohérence des prédictions. Les modèles obtenus, notamment une architecture légère identifiée par SBOA, offrent des outils robustes pour la surveillance en temps réel, la maintenance prédictive et la détection précoce d’anomalies, contribuant ainsi à l’efficacité énergétique de la turbine.