2026-04-13T02:09:21Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4493212025-12-19T19:18:54Zcom_2072_1033col_2072_452951

2025-12-19T19:18:54Z urn:hdl:2117/449321 Safety distances estimation for hydrogen blended natural gas jet fires using neural network methods Nalin, Giovanni Àrees temàtiques de la UPC::Enginyeria química Hydrogen --Transportation Fires Flame Machine learning Neural networks (Computer science) Hydrogen HBNG Jet fire PHAST Machine Learning Neural Networks MLFFNN Hidrogen--Transport Foc Flama Incendis Xarxes neuronals (Informàtica) Aprenentatge automàtic La tendència global cap a l’hidrogen com a vector energètic clau i baix en carboni està augmentant ràpidament a tot el món, en part gràcies a la seva alta densitat energètica gravimètrica. Seguint aquesta línia, s’han analitzat diferents mètodes per a la seva producció, especialment aquells que es basen en fonts d’energia renovables. L’hidrogen produït, posteriormente, es transporta mitjançant diverses estratègies i en diferents formes, com ara en estat líquid o com a gas comprimit. Tanmateix, aquests dos darrers mètodes requereixen estructures sofisticades i costos elevats. Paral·lelament, les xarxes existents de transport i distribució de gas natural (GN) representen una infraestructura àmplia que podria utilitzarse per transportar gas natural barrejat amb hidrogen (HBNG per les sigles en anglès) a llargues distàncies de manera més econòmica que mitjançant canonades exclusives per a l’hidrogen. De fet, la barreja d’hidrogen en les xarxes de GN evita els elevats costos d’infraestructures noves, però planteja interrogants sobre el comportament de la mescla, la transmissió d’energia, el treball dels compressors i la integritat dels materials, especialment a causa del fenomen de fragilització per hidrogen dels acers a alta pressió. El fenomen de fragilització per hidrogen podria ser la causa de fuites d’HBNG des d’una canonada o recipient pressuritzat, i la petita mida molecular i la baixa energia d’ignició de l’hidrogen poden provocar ràpidament la formació de flames turbulentes tipus doll de foc. Aquestes flames de difusió d’alt moment emeten calor que pot impactar en estructures properes i desencadenar esdeveniments catastròfics en cadena. El seu comportament s’està estudiant actualment, ja que la presència d’H2 modifica el que seria el comportament clàssic del GN. Per tant, la predicció precisa de la geometria dels dolls de foc (longitud i alçada de separació) i del flux de calor radiatiu és essencial per definir les distàncies de seguretat. PHAST és un programari comercial amb models semiempírics implementats que pot oferir una previsió òptima dels dolls de foc d’HBNG. Configurar aquest tipus d’escenaris a PHAST pot ser molt útil per avaluar el cabal màssic del doll, la longitud de la flama i les distàncies de seguretat, així com per estudiar la influència de paràmetres com el diàmetre de l’orifici, la temperatura i pressió d’emmagatzematge, les condicions meteorològiques i la concentració volumètrica d’hidrogen en la mescla. En aquest treball, es desenvolupa una Xarxa Neuronal (NN per les sigles en anglès) per estimar els efectes dels dolls de foc. En primer lloc, es van simular escenaris de dolls de foc d’HBNG provinents de canonades de transmissió utilitzant el programari PHAST. Es va construir una base de dades configurant escenaris accidentals de dolls de foc per obtenir el cabal màssic, la longitud de la flama i les distàncies de seguretat per a diferents combinacions de paràmetres d’entrada, com ara el diàmetre de l’orifici, la temperatura i pressió d’emmagatzematge, les condicions meteorològiques i la concentració volumètrica d’hidrogen en la mescla. Es va realitzar una pseudo-validació per assegurar que PHAST es pogués utilitzar dins dels rangs específics dels paràmetres i es va comparar amb casos experimentals extrets de la literatura. Abans de desenvolupar la xarxa neuronal, es van analitzar i estandarditzar els resultats de la base de dades com a passos de preprocessat. Es va entrenar i optimitzar una xarxa neuronal (en concret, una Xarxa Neuronal Feedforward Multicapa – MLFFNN) sobre la base de dades construïda, ajustant els hiperparàmetres per minimitzar la funció de pèrdua. Es van utilitzar les mètriques MAE, MSE i R² per avaluar el rendiment. El model entrenat va ser capaç de reproduir amb èxit la base de dades original, amb errors MSE de l’ordre de les mil·lèssimes. La tendencia global hacia el hidrógeno como vector energético clave y bajo en carbono está aumentando rápidamente en todo el mundo, en parte debido a su alta densidad energética gravimétrica. Siguiendo esta corriente, se han analizado diferentes métodos para su producción, especialmente aquellos impulsados por fuentes de energía renovables. El hidrógeno producido, posteriormente, se transporta siguiendo diversas estrategias y en distintas formas, como en estado líquido o como gas comprimido. Sin embargo, estos dos últimos métodos requieren estructuras sofisticadas y costes elevados. Al mismo tiempo, las redes existentes de transporte y distribución de gas natural (GN) representan una vasta infraestructura que podría utilizarse para transportar gas natural mezclado con hidrógeno (HBNG por sus siglas en inglés) a largas distancias de forma más económica que mediante tuberías exclusivas para hidrógeno. De hecho, mezclar hidrógeno en las redes de GN evita costes masivos asociados a nuevas infraestructuras, pero plantea cuestiones sobre el comportamiento de la mezcla, la transmisión de energía, el trabajo de los compresores y la integridad de los materiales, especialmente debido al fenómeno de fragilización por hidrógeno de los aceros a alta presión. El fenómeno de fragilización por hidrógeno podría ser la causa de fugas de HBNG desde una tubería o recipiente presurizado, y el pequeño tamaño molecular y la baja energía de ignición del hidrógeno pueden provocar rápidamente la formación de llamas turbulentas de tipo dardo de fuego. Estas llamas de difusión de alto momento emiten calor que puede impactar en estructuras cercanas y desencadenar eventos catastróficos en cadena. Su comportamiento está siendo actualmente estudiado, ya que la presencia de H₂ modifica el que sería el comportamiento clásico del GN. Por tanto, la predicción precisa de la geometría de los dardos de fuego (longitud y altura de elevación) y del flujo de calor radiativo es esencial para definir las distancias de seguridad. PHAST es un software comercial con modelos semiempíricos implementados que puede ofrecer una predicción óptima de los dardos de fuego de HBNG. Configurar este tipo de escenarios en PHAST puede ser muy útil para evaluar el caudal másico del dardo, la longitud de la llama y las distancias de seguridad, así como para estudiar la influencia de parámetros como el diámetro del orificio, la temperatura y presión de almacenamiento, las condiciones meteorológicas y la concentración volumétrica de hidrógeno en la mezcla. En este trabajo, se desarrolla una Red Neuronal (NN por sus siglas en inglés) para estimar los efectos de los dardos de fuego. En primer lugar, se simularon escenarios de dardos de fuego de HBNG provenientes de tuberías de transmisión utilizando el software PHAST. Se construyó una base de datos configurando escenarios accidentales para obtener el caudal másico, la longitud de la llama y las distancias de seguridad para diferentes combinaciones de parámetros de entrada, como el diámetro del orificio, la temperatura y presión de almacenamiento, las condiciones meteorológicas y la concentración volumétrica de hidrógeno en la mezcla. Se realizó una pseudo-validación para garantizar que PHAST podía utilizarse dentro de los rangos específicos de los parámetros y se comparó con casos experimentales presentes en la literatura. Antes de desarrollar la red neuronal, los resultados de la base de datos fueron analizados y estandarizados como pasos de preprocesamiento. Se entrenó y optimizó una Red Neuronal Feedforward Multicapa (MLFFNN) sobre la base de datos construida, ajustando los hiperparámetros para minimizar la función de pérdida. Se utilizaron las métricas MAE, MSE y R² para evaluar su rendimiento. El modelo entrenado fue capaz de reproducir con éxito la base de datos original, con errores MSE en el rango de las milésima The global trend towards hydrogen as a key low-carbon energy vector is rapidly increasing worldwide, due to its high gravimetric energy density. Following this current, there were analysed different ways to produce it, overall, the ones powered by renewable energy sources(green H2), which represents a bridge between today and a zero-emission future. All the types of H2 could be transported with several strategies and in different forms, for example in trucks through liquid or compressed gas state. However, these last two methods need sophisticated structures and elevated costs. At the same time, existing natural gas (NG) transmission and distribution pipelines represent a vast infrastructure that could carry hydrogen blended natural gas (HBNG) over long distances more economically than pure hydrogen pipelines too. Indeed, blending hydrogen into NG networks avoids massive costs for new infrastructures, but raises questions about mixing behaviour, energy transmission, compressor work and material integrity, particularly due to hydrogen embrittlement (HE) of steels under high pressure. HE could be the cause of HBNG leaks from a pressurized pipeline or vessel, and the small molecular size and low ignition energy of hydrogen can lead rapidly to turbulent jet flames. These high-momentum diffusion flames emit heat that can impinge on nearby structures and can trigger catastrophic domino events. Their behaviour is studied nowadays, because the presence of H2 modifies which could be the classic NG one. Accurate prediction of jet-fire flame geometry (length and lift-off) and radiative heat flux is therefore essential for defining safe separation distances. PHAST is a simulating software with semi-empirical models implemented that could offer optimal prevision of HBNG jet fires, Configurating these type of scenarios in simulative software like PHAST could be really useful, for evaluating the jet fire mass flowrate, the flame length and the safety distances and to study the influence of parameters such as orifice diameter, storage temperature and pressure, meteorological conditions and the volumetric concentration of the blended hydrogen. In this work, a Neural Network (NN) is developed to estimate the effects of jet fires. Firstly, jet fire scenarios of HBNG from transmission pipeline were simulated using PHAST software, which is based on semi-empirical models. A database was constructed by configuring accidental jet fire scenarios for obtaining the jet fire mass flowrate, the flame length and the safety distances (Alert zone, Intervention zone, Domino effect zone) for different combinations of input parameters such as orifice diameter, storage temperature and pressure, meteorological conditions and volumetric concentration of the blended hydrogen. A pseudo-validation was performed to ensure that PHAST could be used for the specific ranges of parameters and compared to literature experimental cases. Before developing the NN, the database results are analysed and standardized, as pre-processing steps. A Multilayer Feedforward Neural Network with Backpropagation was trained and optimized on the database constructed and the hyperparameters were tuned to minimize the loss function. MAE, MSE and R2 metrics were used to evaluate the performance. In the end the optimized version of this NN model could successfully reproduce the original database with MSE errors in the millesimal range Incoming 2025-12-19T19:18:54Z 2025-12-19T19:18:54Z 2025-06-30 Master thesis http://hdl.handle.net/2117/449321 http://creativecommons.org/licenses/by-sa/4.0/ Open Access Attribution-ShareAlike 4.0 International Universitat Politècnica de Catalunya