Property Uncertainty Analysis and Methods for Optimal Working Fluids of Thermodynamic Cycles

摘要

Der er en stigende industriel interesse for at genvinde spildvarme der udledes ved lave temperaturer (70-250◦C). Termodynamiske kredsprocesser, såsom varmepumper og Rankine kredsprocesser, kan genvinde sådanne spildvarmer. Disse kan siden overføres til andre processtrømme eller konverteres til elektricitet.Fluiderne, der cirkulerer i kredsprocesserne, er vigtige for kredsprocessens virkn-ingsgrad. Modellering af fluidernes egenskaber samt kredsprocessen gør det muligt at identificere nye fluider samtidig med at procesbetingelserne optimeres. Computersimuleringers forudsigelser er dog belagt med usikkerheder på grund af usikker-hed omkring driftsbetingelser, proceskorrelationer og arbejdsmediernes egenskaber.I denne afhandling ligger fokus på det bidrag til usikkerheden fra fysisk og kemiske data, der hidrører fra de eksperimentelle målinger der ligger til grund for de anvendte data, eller de modeller der anvendes til forudsigelse af data. Pro-jektet skaber en ramme for vurdering af den indflydelse fysiske og kemiske egen-skabers usikkerhed har på modeller for termodynamiske kredsprocesser. Denne ramme udgøres af 1) en metode til bestemmelse af prediktionsintervaller for grup-pebidragsmetoder, 2) en Bootstrap metode til bestemmelse af prediktionsintervaller for tilstandsligninger, 3) en Monte Carlo metode til bestemmelse af modellernes output varians baseret på (input) variansen af fysiske og kemiske data 4) princip-per til udvælgelse arbejdsmedier under hensyntagen til usikkerheder i egenskaber, ikke mindste en ny ’reverse-engineering’ strategi baseret på testning og variansesti-mation.Metoderne testes i forbindelse med forskellige anvendelser og ’case’-studier med udgangspunkt i industrielle situationer.Nye gruppebidragsmetoder udvikles til estimering af brandbarhedsrelaterede egenskaber (for eksempel den nedre brændbarhedsgrænse) for arbejdsvæsker. Sam-menlignet med eksisterende modeller viser de nye metoder højere nøjagtighed.De nye metoder er nemmere at anvende og hver forudsigelse med tilsvarende prediktionsinterval (95% konfidens) omkranser de eksperimentelle værdier. Under-søgelsen afslører også, at gruppebidragsmetoder kan have problemer med parame-tres identificerbarhed, kendetegnet ved en signifikant korrelation mellem estimerede parametre. Derfor er det vigtigt at rapportere det 95% konfidensinterval for at sikre en pålidelig belysning af disse forhold.Et andet eksempel viser, hvorledes variansen af forudsigelser foretaget med to typer af tilstandsligninger, kubisk og PC-SAFT-ligningen kan sammenlignes. En industriel Rankine kredsproces, til genvinding af spildevarme fra en motor på et container skib, er udgangspunkt for analysen. Analysen viser, at modellernes pa-rameteriseringsmetode er afgørende for variansen af tilstandsligningers estimater og antyder, at usikkerhed bliver et kriterium (sammen med for eksempel kurvetil-pasning eller brugervenlighed) til udvælgelsen af tilstandsligninger til en bestemt anvendelse.Desuden præsenteres to analyser til identifikation af egnede arbejdsmedier til termodynamiske kredsprocesser. Den første vælger og vurderer alternative arbe-jdsmedier til en Rankine kredsproces der skal genvinde varme fra en varmekilde ved lav temperatur. Arbejdsmedier rangeres væsentligt anderledes, hvis usikker-heder (for eksempel den nedre grænse for 95%-konfidensintervallet) på proces-modellens middelværdi betragtes. Derfor er analyse af prediktionsintervaller et vigtigt instrument i forbindelse med proces og arbejdsmedie-design.I den anden undersøgelse med henblik på udvægelse af arbejdsmedie, anven-des den nye ’reverse engineering’ tilgang baseret på testning og variansestimation. Dette gøres med henblik på identifikation af egnede arbejdsmedier til et industrielt varmepumpeanlæg, der bruges til at genvinde varme fra tørreluft i et spraytør-ringsanlæg. Den nye ’reverse engineering’ tilgang udgør et alternativ til beregn-ingsmæssigt krævende optimeringsmetoder og gør det muligt at tage hensyn til usikkerhed i fysiske og kemiske data.Det er en konklusion af denne afhandling at usikkerheder af fysiske og kemiske data kan (og bør) tages i betragtning for at understøtte processimulering og andre modelbaserede beslutninger om arbejdsmedier og procesdesign.