Physical/data-driven dynamic modelling of fire-tube boilers and demand prediction aiming at adaptive optimization of the supply set-point condition

The present project, conducted in collaboration with ICI Caldaie SpA, is focused on developing physical/data-driven dynamic models of fire-tube steam/hot-water boilers along with data-driven demand estimation/prediction, which are then utilized for adaptive optimization of the corresponding supply conditions. Accordingly, in the first activity, more accurate (compared to the available state-of-the-art correlations) convective heat transfer and head loss physical equations are investigated and developed in order to improve the accuracy of the developed dynamic model for the gas side (with and without the presence of helical coil inserts) of the fire-tube boilers and extend its validity to a wider range of operating conditions. The latter investigation and model development is performed employing the results obtained from CFD simulations (performed by a partner group in the university of Brescia), which are validated using experimentally obtained measurements. Next, a detailed dynamic model of fire-tube boilers equipped with stagnation point reverse flow (SPRF) combustor, which includes Finite Volume Modeling (FVM) based approach for simulating the gas side (starting from the previous activity performed by the candidate in his M.Sc. thesis), is implemented. Experimental data, obtained through performing a testing procedure, are then employed to calibrate and validate the developed model. A similar model is also developed for hot-water boilers and is validated using the measured data of the boilers utilized in case study that belongs to the food and beverage industry. A data-driven model of the latter boiler is also developed for simulating the behavior of boilers, in the occasions in which detailed geometrical data and high granularity measurements are not available. In the third activity, the developed dynamic model of the steam boiler is utilized for determining the fuel-saving that can be obtained by implementing a multi-setpoint control strategy, while taking into account the steam demand profile of an Italian cheese factory as the case study. Finally, in the last activity, a district heating system equipped with hot-water fire-tube boilers and a cogenerator (Milano Leonardo Campus) is considered. In the first step, forecasting pipelines are implemented for short-term prediction of the (secondary circuit's) return temperature from each building (with a prediction horizon of up to 1 hour). Data-driven models are then developed for simulating the behavior of each building's heat exchanger (sub-station) and the distribution network. Thus prediction pipelines for estimating the thermal losses in the supply and return pipes (of the primary circuit) are developed, enabling the prediction of each heat exchangers' (primary side) supply temperature and the overall return temperature to the central heating station. In the second task, feature selection and algorithm optimization procedures are applied to each of the above-mentioned models in order to obtain the corresponding optimal pipeline. Finally, in the last task, an optimization procedure is implemented, while utilizing the estimation of the developed models, that determines (at each timestamp) the optimal supply setpoint, that leads to the minimum acceptable return temperature (to the central heating station), minimizing the network's heat losses.

Il presente progetto, condotto in collaborazione con ICI Caldaie SpA, è focalizzato sullo sviluppo di modelli dinamici fisici/data-driven di caldaie a tubi di fumo/acqua calda insieme alla stima/previsione della domanda termica basata su dati raccolti, che vengono poi utilizzati per l'ottimizzazione adattiva delle corrispondenti condizioni di mandata. Di conseguenza, nella prima attività, vengono studiate e sviluppate equazioni fisiche più sofisticate (rispetto alle correlazioni disponibili allo stato dell'arte) del trasferimento di calore convettivo e della perdita di carico al fine di migliorare l'accuratezza del modello dinamico sviluppato per I fumi (con e senza la presenza di inserti a forma elicoidale) delle caldaie a tubi di fumo ed estendono la sua validità ad un più ampio range di condizioni di funzionamento. Quest'ultima indagine e sviluppo del modello viene eseguita utilizzando i risultati ottenuti da simulazioni CFD (eseguite da un gruppo di ricerca partner dell'Università di Brescia), validate utilizzando misurazioni ottenute sperimentalmente. Successivamente, viene sviluppato un modello dinamico dettagliato di caldaie a tubi di fumo dotate di combustore a fiamma rovesciata con punto di stagnazione (SPRF), che include un approccio basato sulla modellazione a volume finito (FVM) per la simulazione del lato gas (a partire dalla precedente attività svolta dal candidato nella tesi magistrale). I dati sperimentali, ottenuti attraverso l'esecuzione di una procedura di test, vengono quindi utilizzati per calibrare e validare il modello sviluppato. Un modello simile viene sviluppato anche per le caldaie ad acqua calda e viene validato utilizzando i dati misurati delle caldaie utilizzate nel caso di studio nel settore dell’industria alimentare e delle bevande. Viene inoltre sviluppato un modello data-driven di quest'ultima caldaia per simularne il comportamento, nelle occasioni in cui non sono disponibili dati geometrici dettagliati e misurazioni ad elevata granularità. Nella terza attività, il modello dinamico sviluppato della caldaia a vapore viene utilizzato per determinare il risparmio di combustibile ottenibile implementando una strategia di controllo multi-setpoint, tenendo conto del profilo della domanda di vapore di un caseificio italiano come caso studio. Infine, nell'ultima attività, si considera un sistema di teleriscaldamento dotato di caldaie a tubi di fumo ad acqua calda e cogeneratore (Campus Milano Leonardo). Nella prima fase, vengono implementati i modelli di previsione a breve termine della temperatura di ritorno (del circuito secondario) da ciascun edificio (con un orizzonte di previsione fino a 1 ora). Vengono quindi sviluppati modelli basati sui dati per simulare il comportamento dello scambiatore di calore di ciascun edificio (sottostazione) e della rete di distribuzione. Vengono così sviluppati modelli predittivi di Machine-Learning ML) per la stima delle dispersioni termiche nelle tubazioni di mandata e ritorno (del circuito primario), che consentono di prevedere la temperatura di mandata di ciascuno scambiatore di calore (lato primario) e la temperatura complessiva di ritorno alla centrale. Nella seconda attività, le procedure di selezione delle caratteristiche e ottimizzazione dell'algoritmo di ML vengono applicate a ciascuno dei modelli sopra menzionati al fine di ottenere pipeline più accurate. Infine, nell'ultimo task, viene implementata una procedura di ottimizzazione, utilizzando la stima dei modelli sviluppati, che determina (ad ogni timestamp) il setpoint di mandata ottimale delle caldaie, che porta alla temperatura minima accettabile di ritorno (alla centrale), minimizzando pertanto le dispersioni termiche della rete di teleriscaldamento.