Isbildning på lyftkomponenter, som fanblad och kompressorer, är ett välkänt problem inom flygteknik och jetmotorer. Fenomenet har studerats i mer än 70 år, men även om de- och anti-icesystem har utvecklats, inträffar fortfarande incidenter och olyckor. Dessa system, såsom pneumatiska stövlar, system för luftavblåsning och elektrotermiska enheter, används flitigt i befintliga flygplan. Trots detta är praktiska de- och anti-icesystem för roterande blad betydligt mer begränsade än för fasta komponenter.

Isbildning uppstår i jetmotorer på de komponenter som utsätts för störst påfrestningar, såsom fanblad, fan exit guide vane (FEGV), noskon, splitters och lågtrycks-kompressorer. Isbildning beror på flera fysiska faktorer, däribland omgivningstemperatur, vätskeinnehåll i vattnet (LWC), isvattnets innehåll (IWC), samt medelvolymdiameter (MVD) på vattendroppar, temperatur på ytor som dropparna kolliderar med, och var dropparna träffar. Detta gör att isbildningen blir en komplex process att återskapa i experimentella förhållanden, särskilt när det gäller att simulera förhållanden vid höga höjder och i full skala.

Med utvecklingen av datorhårdvara och mjukvara har det blivit möjligt att genomföra beräkningsmässiga simuleringar av isbildning i jetmotorer, så kallade CFD-simuleringar (Computational Fluid Dynamics). Dessa simuleringar kan nu genomföras för de komplexa tredimensionella flödesfälten i en jetmotor. Datorbaserade simuleringar har blivit ett kraftfullt verktyg för att förutse isbildning i motorer och ge värdefull information för utvecklingen av både nya motorer och de-icesystem. Men även med avancerade simuleringar och experiment kan det vara svårt att förutse alla isbildningens effekter, särskilt när det gäller att hantera isavlossning från roterande blad.

Bilden av isavlossning från fanblad och FEGV är en central fråga. När isen släpper från dessa komponenter kan det orsaka mekaniska skador på nedströmskomponenter, vilket kan leda till att brännkamrar stängs av eller att motorer stannar. Därför är det viktigt att noggrant överväga isbildning och dess effekter vid design och utveckling av flygplansmotorer.

Den nuvarande metoden för att simulera isbildning innebär flera beräkningssteg. Först beräknas flödesfältet runt en ren rotorblad eller vinge, därefter sker beräkning av dropparnas fördelning på bladytorna genom en Lagrangian metod. Därefter estimeras isens tjocklek genom en termodynamisk beräkning och isens form förutses. Simuleringen upprepas sedan tills isbildningen når en förutbestämd tid. Här är det viktigt att förstå att denna process ofta kräver flera iterationer för att uppnå tillförlitliga resultat.

För att beräkna dropparnas rörelser används också en förenklad Basset–Boussinesq–Oseen ekvation, som tar hänsyn till dragningskraften, centrifugalkraften och Coriolis-kraften som påverkar dropparna. I jetmotorer bryts dropparna inte upp förrän deras Weber-tal överstiger ett visst värde, men i många fall kan uppdelning av dropparna anses vara en överflödig faktor för isbildning på roterande delar som fanblad.

Trots de tekniska framstegen, där simuleringsprogram som TUSICE och UPACS spelar en viktig roll, kvarstår vissa praktiska utmaningar. Ett problem är den höga komplexiteten i att efterlikna de faktiska förhållandena för isbildning i motorer och de dynamiska effekterna av detta, vilket gör att det är en kontinuerlig process att utveckla nya metoder och system för att hantera isbildning.

Vidare är det viktigt att förstå att det inte finns någon enkel lösning på problemet med isbildning i jetmotorer. Effektiva de- och anti-icesystem kräver noggrann övervägning av många faktorer, inklusive materialens termiska egenskaper, motorers specifika design och flygförhållanden. Det är också av yttersta vikt att ingen enskild komponent eller systemlösning kommer att vara tillräcklig för att hantera alla möjliga isförhållanden.

Hur uppstår och utvecklas isbildning av iskristaller i jetmotorer under flygning?

Inom jetmotorer, särskilt i högbypassratio-motorer som GE90, är isbildning orsakad av iskristaller en komplex och kritisk process som kan påverka motorns funktion och säkerhet. Iskristallerna, som rör sig med luftflödet genom motorns fläkt och kompressorer, utsätts för förändrade temperaturer och tryckförhållanden. Den statiska temperaturen inne i motorn varierar kraftigt, från cirka -30 °C vid luftintaget till över fryspunkten, ibland upp mot 100 °C, beroende på kompressionsstadiet och flyghöjden. När iskristaller träffar de varma komponenternas ytor kan de smälta delvis och bilda ett vattenfilmsskikt som fångar fler iskristaller och kyler ytan under fryspunkten. Detta leder slutligen till att ett islager byggs upp. Trots att detta scenario är teoretiskt troligt, finns det varken experimentella eller numeriska bevis som entydigt bekräftar det.

Att mäta och simulera isbildningen inuti en jetmotor är utmanande eftersom processen sker i motorns kärna under drift. För att förstå smältbeteendet hos iskristaller som passerar genom fläkt och kompressor har simuleringar fokuserat på just GE90-motorn, där iskrystallernas diameter och flyghöjd har undersökts för att analysera hur dessa faktorer påverkar smältprocessen under verkliga förhållanden. Två huvudsakliga metoder för simulering av iskristallisbildning har identifierats: att modellera hela motorns passage inklusive alla fläktblad och kompressorsteg med iskristaller från luftintaget, vilket är mycket tidskrävande och kräver superdatorer, eller att simulera en enskild blad- eller vingsektion med iskristaller från en förbestämd gränsström uppströms i motorn. För designfasen är den senare metoden att föredra då den är mindre resurskrävande och ändå ger värdefulla insikter.

Den statiska temperaturen i motorn beräknas med antaganden om adiabatisk kompression och ideell gaslag, där luftens temperatur successivt ökar från luftintaget till högtryckskompressorns första steg. Temperaturprofilen är starkt beroende av flyghöjden; vid 5000 meters höjd överstiger temperaturen fryspunkten redan bakom fläkten, medan vid 10 000 meters höjd sker detta först längre in i kompressorn. Detta påverkar var i motorn isbildning potentiellt kan ske.

Smältningen av iskristaller beräknas genom att modellera värmeöverföringen i radial riktning inom kristallen, som antas vara sfärisk och opåverkad av kollisioner eller sönderfall. Beräkningarna omfattar värmeledning i både is och vatten, värmeutbyte mellan kristall och omgivande luft, fasövergångar samt avdunstning från vattenfilmen som täcker iskristallen. För att beskriva avdunstningen används modeller baserade på diffusiv transport och mättnadstryck vid olika temperaturer enligt etablerade ekvationer som Sonntag-ekvationen. De fysiska parametrarna såsom densitet, värmeövergångskoefficienter och latent värme för fusion och avdunstning integreras i beräkningarna för att noggrant beskriva temperatur- och smältprofiler inom iskristallen.

Iskristallernas diameter har stor betydelse för deras termiska beteende och smältning. Enligt regelverket 14CFR och senaste rapporter kan diameter variera från 50 till 800 mikrometer. Större iskristaller har annorlunda värmeutbytesegenskaper och smältprocesser, vilket påverkar risken för isbildning på motordelar. Att simulera dessa effekter är viktigt för att förstå och förebygga isrelaterade problem i motorer under olika flygförhållanden.

Förutom det som simulerats och analyserats är det avgörande att förstå att isbildning inte bara beror på termodynamiska förhållanden, utan också på aerodynamiska faktorer och den dynamiska interaktionen mellan iskristaller och motordelar. Flödeshastighet, turbulens, och partikelkoncentration kan alla påverka var och hur snabbt is lagras på ytor. Dessutom kan variationer i luftens fuktighet och mikrostruktur hos iskristallerna ändra hur effektivt smältning och avdunstning sker. För en heltäckande förståelse bör därför studier också inkludera experimentella mätningar och avancerade flödesmodeller som integrerar både termodynamik och aerodynamik.

Hur kan man optimera elektrotermisk anti-icing och de-icing genom reducerade ordningsmodeller?

Vid optimering av elektrotermiska anti-icing och de-icing-system används en rad olika metoder för att hantera den komplexa beräkningsmässiga intensiviteten som dessa simuleringar innebär. En av de mest effektiva teknikerna som används är reducerade ordningsmodeller (ROM), där metoder som proper orthogonal decomposition (POD) tillämpas. Genom att använda sådana metoder kan komplexa högdimensionella system förenklas för att göra optimeringsberäkningarna mer hanterbara utan att förlora alltför mycket precision.

En viktig metod som används vid optimering är Mesh Adaptive Direct Search (MADS) algoritmen, som är en derivatfri optimeringsteknik. MADS är en fördelaktig algoritm i jämförelse med heuristiska metoder, såsom genetiska algoritmer, eftersom den erbjuder en rigorös konvergensanalys och använder sig av den progressiva barriärmetoden, som är mer avancerad än andra metoder som ignorerar olämpliga itereringar. MADS använder sig dessutom av statistiska surrogatmodeller, vilket gör att den kan hantera mer komplexa problem effektivt. En viktig aspekt av MADS är att den kan användas tillsammans med olika sökmetoder, som exempelvis genetiska algoritmer, partikelsvärmar och Latin hypercube-sampling, för att noggrant utforska designrummet.

För att skapa effektiva reducerade ordningsmodeller krävs en uppsättning av diskreta snittbilder från designrummet, som genereras med hjälp av metoder för experimentdesign (DOE). För att säkerställa att data sprids jämnt över designrummet används LPτ-metoden, en algoritm som fyller designrummet genom att successivt placera nya designpunkter så långt bort från de tidigare som möjligt. När data har samlats in och lösningarna beräknats utan approximation, används proper orthogonal decomposition (POD) för att utveckla en lågdimensionell beskrivning av systemet. Detta görs genom att rekonstruera varje snapshot som en linjär kombination av optimala ortonormala funktioner.

I praktiken kan POD användas för att reducera komplexiteten hos ett system och samtidigt behålla dess viktigaste dynamik, vilket gör det möjligt att använda reducerade modeller i optimeringsprocessen. För att interpolera koefficienterna i modellen används ofta metoder som Kriging, som bygger på att approximera funktioner baserat på trender hos stokastiska processer. Denna metod gör det möjligt att förutsäga och justera parametrar även för de punkter som inte ingick i de ursprungliga beräkningarna.

Vid anti-icing optimering används fullfärdiga CHT-simuleringar (conjugate heat transfer) för att modellera och optimera värmefördelning på vingar. Designvariablerna, såsom effektfördelningarna för uppvärmningssystemet, definieras inom specifika intervall beroende på om systemet arbetar under en våt eller ångbildande regim. Målet är att minimera den totala elektriska effekt som används för anti-icing, vilket görs genom att beräkna effektfördelningen längs vingens yta och använda denna information i optimeringsmodellen.

De viktigaste restriktionerna i dessa optimeringsmodeller inkluderar maximalt isväxt, minsta väggtemperatur och målväggtemperatur. Isväxten beräknas som en fördelning över vingens yta, och det maximala värdet av denna fördelning används som en restriktion i modellen. Minsta väggtemperatur är en annan viktig restriktion som säkerställer att temperaturen vid varje punkt på ytan inte underskrider ett kritiskt värde, vilket skulle kunna leda till ineffektiv uppvärmning eller till och med skador på materialet.

Förutom de redan nämnda parametrarna, är det viktigt att optimera metoderna för att hantera de variabler som kan påverka effektiviteten hos anti-icing och de-icing system. En central aspekt är den exakta bedömningen av den energi som krävs för att bibehålla systemet vid önskad temperatur. Energiåtgången måste ständigt optimeras för att säkerställa att det inte går åt mer kraft än nödvändigt för att upprätthålla den erforderliga värmen, vilket är en nyckelkomponent i systemets kostnadseffektivitet.

Det är också viktigt att förstå att varje optimeringsteknik har sina fördelar och begränsningar beroende på vilken typ av problem som behandlas. Medan reducerade ordningsmodeller som POD är användbara för att minska dimensionen av problemet, innebär de också att vissa aspekter av systemets komplexitet förenklas eller till och med försummas. Därför är det avgörande att noggrant utvärdera de förenklingar som görs i modellen och säkerställa att de inte påverkar resultatens noggrannhet eller användbarhet i praktiken.

Hur ska man bygga effektiva koalitioner och påverka beslutsfattare?
Hur Yandex kan förbättra effektiviteten i informationssökning
Vad bör man veta när man utforskar Kaliforniens Central Coast: Från Malibu till Monterey
Hur den tyska matkulturen speglar sig i de populära rätterna