Tối ưu hóa mức tiêu thụ năng lượng của hệ thống điều hòa không khí trên tàu điện ngầm bằng Simcenter Amesim
1️⃣ Những thách thức trong tối ưu hóa năng lượng hệ thống điều hòa không khí trên tàu điện ngầm
Vận hành hệ thống điều hòa không khí (HVAC) trên tàu điện ngầm là một bài toán khó trong việc quản lý năng lượng. Theo thống kê, tiêu thụ năng lượng của hệ thống điều hòa không khí chiếm 30% tổng mức tiêu thụ năng lượng của một đoàn tàu điện ngầm. Con số này là rất lớn, đặc biệt trong bối cảnh các thành phố đang hướng đến mục tiêu giảm phát thải carbon và tối ưu hóa hiệu suất năng lượng.
Những câu hỏi đặt ra:
✔️ Làm thế nào để mô phỏng chính xác mức tiêu thụ năng lượng của hệ thống điều hòa không khí?
✔️ Các yếu tố nào có ảnh hưởng lớn nhất đến mức tiêu thụ năng lượng?
✔️ Có thể tối ưu hóa hệ thống này bằng cách nào mà không ảnh hưởng đến sự thoải mái của hành khách?
Giải quyết các câu hỏi này là chìa khóa để nâng cao hiệu suất của hệ thống HVAC trên tàu điện ngầm. Trong bài viết này, tôi sẽ chia sẻ cách tiếp cận khoa học sử dụng Simcenter Amesim và mô hình Digital Twin để phân tích và tối ưu hóa tiêu thụ năng lượng của hệ thống điều hòa không khí.
2️⃣ Mô hình Digital Twin và phương pháp mô phỏng với Simcenter Amesim
🔎 Digital Twin – Công nghệ mô phỏng thực tế
Digital Twin là một bản sao kỹ thuật số của một hệ thống thực tế, cho phép mô phỏng và phân tích dữ liệu theo thời gian thực. Trong nghiên cứu này, các nhà khoa học đã sử dụng Simcenter Amesim, một công cụ mạnh mẽ trong mô phỏng hệ thống cơ điện, để xây dựng mô hình Digital Twin của hệ thống điều hòa trên tàu điện ngầm.
Cấu trúc mô hình mô phỏng bao gồm:
✔️ Máy nén (Compressor) – Điều khiển quá trình làm lạnh
✔️ Bộ trao đổi nhiệt (Heat Exchanger) – Truyền nhiệt giữa môi trường bên trong và bên ngoài
✔️ Ống mao dẫn (Capillary Tube) – Điều chỉnh áp suất dòng chảy môi chất lạnh
✔️ Mô hình nhiệt động học của phương tiện (Thermal Vehicle Model) – Mô phỏng môi trường bên trong khoang hành khách
Bên cạnh đó, mô hình còn có các giao diện đầu vào để nhập thông số về điều kiện thời tiết, số lượng hành khách, thông gió, kiểm soát hệ thống HVAC, giúp mô phỏng chính xác hơn điều kiện vận hành thực tế.
3️⃣ Xác định điểm vận hành đại diện bằng thuật toán k-means clustering
Một trong những thách thức chính khi tối ưu hóa hệ thống điều hòa không khí là xác định các điểm vận hành đại diện (Representative Operating Points), bởi vì điều kiện vận hành của tàu điện ngầm liên tục thay đổi theo thời gian.
📌 Bước 1: Thu thập dữ liệu thực nghiệm
Dữ liệu thực tế được thu thập từ tháng 5 đến tháng 10 trên một tuyến tàu điện ngầm tại Trùng Khánh, Trung Quốc. Các thông số đo lường bao gồm:
✔️ Nhiệt độ và độ ẩm không khí trong và ngoài khoang hành khách
✔️ Lưu lượng hành khách trong suốt cả ngày
✔️ Mức tiêu thụ năng lượng của hệ thống điều hòa không khí
✔️ Cường độ bức xạ mặt trời ảnh hưởng đến cabin
📌 Bước 2: Xác định yếu tố ảnh hưởng đến tải nhiệt
Thông qua phân tích độ nhạy, nhóm nghiên cứu đã chỉ ra rằng bốn yếu tố chính ảnh hưởng đến tải nhiệt và mức tiêu thụ năng lượng là:
✅ Nhiệt độ môi trường (Temperature)
✅ Độ ẩm không khí (Humidity)
✅ Số lượng hành khách (Passenger Capacity)
✅ Bức xạ mặt trời (Solar Radiation)
📌 Bước 3: Sử dụng thuật toán k-means clustering để xác định điểm vận hành đại diện
Dữ liệu vận hành được phân cụm bằng thuật toán k-means clustering, giúp xác định 20 điểm vận hành đại diện thay vì phân tích toàn bộ dữ liệu, giúp tối ưu hóa thời gian tính toán và đảm bảo độ chính xác.
4️⃣ Kết quả và độ chính xác của mô phỏng
✅ Sai số giữa mức tiêu thụ năng lượng tính toán và thực nghiệm chỉ khoảng 7.4%, chứng tỏ phương pháp này có thể áp dụng trong phân tích và tối ưu hóa hệ thống HVAC trên tàu điện ngầm.
✅ Nhiệt độ cabin được kiểm soát ổn định trong khoảng 25°C – 27°C, đảm bảo sự thoải mái cho hành khách mà vẫn tối ưu hóa tiêu thụ năng lượng.
✅ Phát hiện quan trọng: Hệ thống điều hòa trên tàu điện ngầm thường vận hành ở điều kiện tải thấp, chứ không phải điều kiện cực đại như thiết kế ban đầu. Điều này mở ra cơ hội lớn để điều chỉnh thuật toán điều khiển HVAC nhằm tiết kiệm năng lượng.
5️⃣ Ứng dụng thực tế và cơ hội tối ưu hóa tại Việt Nam
Tại Việt Nam, các tuyến metro như Metro Bến Thành – Suối Tiên (TP. HCM) và Metro Nhổn – Ga Hà Nội sắp đi vào hoạt động. Ứng dụng Simcenter Amesim và Digital Twin có thể giúp:
🔹 Giảm chi phí vận hành điện năng của hệ thống HVAC
🔹 Xây dựng chiến lược điều khiển thông minh dựa trên dữ liệu thời gian thực
🔹 Tối ưu hóa thiết kế hệ thống điều hòa trong giai đoạn phát triển dự án
Với mục tiêu hướng đến giao thông bền vững và tiết kiệm năng lượng, việc nghiên cứu và áp dụng các công nghệ mô phỏng tiên tiến sẽ giúp tàu điện ngầm Việt Nam vận hành hiệu quả hơn trong tương lai.
Link bài báo: Tối ưu hóa tiêu thụ năng lượng hệ thống điều hòa tàu điện ngầm bằng Simcenter Amesim
🔗 Kết Nối Để Nhận Tư Vấn Miễn Phí!
Bạn là kỹ sư, nhà quản lý hay chuyên gia trong lĩnh vực mô phỏng hệ thống? Hãy cùng thảo luận về các giải pháp tối ưu hóa năng lượng cho hệ thống HVAC trên tàu điện ngầm!
🌍 My Website: https://phanthanh.id.vn| https://plm.id.vn
📘 Facebook: https://www.facebook.com/thanh.sysadmin
💼 LinkedIn: https://www.linkedin.com/in/thanhplm
📞 Hotline: +84 976-099-099 | 📧 Email: lpthanh.plm@gmail.com
Experienced in Healthcare IT, I specialize in implementing and optimizing PACS, HIS/RIS, and HL7-FHIR interoperability to enhance efficiency and patient care. My expertise includes:
✔ PACS Solutions – Streamlining medical image storage, communication, and integration with HIS/RIS & HL7-FHIR systems – Ensuring seamless data exchange across healthcare systems.
Passionate about digital transformation in healthcare, I help organizations improve connectivity and operations. Let’s connect!
Luu Phan Thanh (Tyler) Solutions Consultant at PACS Ecosystem Mobile +84 976 099 099
Web www.plm.id.vn Email tyler.luu@plm.id.vn / lpthanh.plm@gmail.com