Modelado de la degradación en una turbina de gas para generación eléctrica mediante redes de retropropagación

Abstract

En este trabajo se presenta el desarrollo de un modelo para la estimación de la degradación en una turbina de gas utilizada en aplicaciones de generación eléctrica. La metodología se basa en el uso de datos reales obtenidos durante la operación del motor y en la implementación de una red neuronal artificial capaz de aprender la relación no lineal entre las condiciones de operación y el comportamiento termodinámico interno del sistema. Una vez entrenado el modelo, se generó una referencia de condición saludable con la cual se calcularon diferentes desviaciones que reflejan la pérdida de rendimiento debida al desgaste. Los resultados muestran que la red neuronal es capaz de reproducir con alta precisión la condición actual del motor, obteniendo un RMSE global bajo y desviaciones consistentes con los síntomas de degradación típicos en turbinas de gas, como el aumento de la temperatura de gases de escape y la disminución de la presión del compresor. La metodología propuesta demuestra ser útil para la identificación del deterioro progresivo y abre la posibilidad de su integración en estrategias de diagnóstico y mantenimiento predictivo. This paper presents the development of a model for estimating degradation in a gas turbine used in power generation applications. The methodology is based on the use of real data obtained during engine operation and the implementation of an artificial neural network capable of learning the nonlinear relationship between operating conditions and the internal thermodynamic behavior of the system. Once the model was trained, a healthy condition reference was generated, against which different deviations reflecting performance loss due to wear were calculated. The results show that the neural network is able to reproduce the engine's current condition with high accuracy, achieving a low overall RMSE and deviations consistent with typical degradation symptoms in gas turbines, such as increased exhaust gas temperature and decreased compressor pressure. The proposed methodology proves useful for identifying progressive deterioration and opens the possibility of its integration into diagnostic and predictive maintenance strategies.