Une centrale géothermique à haute enthalpie commence à perdre de la pression de manière inexplicable. Le rendement chute et les techniciens soupçonnent des obstructions internes. Grâce à un jumeau numérique alimenté par un scan 3D, le coupable est identifié : des cristaux de silice qui précipitent et bloquent le flux. Cet article détaille le flux de travail technique pour diagnostiquer l'altération chimique du fluide et optimiser la maintenance prédictive.
Flux de Travail : Numérisation, Simulation et Diagnostic 🔧
Le processus commence par la capture de la géométrie interne des conduits et vannes à l'aide d'un scanner laser Leica Cyclone, générant un nuage de points de haute précision. Ce nuage est importé dans CloudCompare pour son alignement, le nettoyage du bruit et la segmentation des zones critiques où l'incrustation est suspectée. Ensuite, le modèle géométrique nettoyé est transféré vers Ansys Fluent pour réaliser des simulations de dynamique des fluides computationnelle (CFD). Ici, le fluide géothermique est modélisé avec ses propriétés thermochimiques réelles. La simulation révèle des zones de basse vitesse et de haute température où la silice a tendance à nucléer et à croître, corrélant la perte de pression avec l'obstruction cristalline. Le jumeau numérique est mis à jour avec ces données, permettant de prédire l'évolution du dépôt et de planifier des interventions de nettoyage localisées.
La Valeur Prédictive du Modèle Chimique Virtuel ⚗️
Au-delà de la détection de l'obstruction, le jumeau numérique permet d'évaluer l'altération chimique du fluide au fil du temps. En intégrant les données de scan avec la simulation CFD, il est possible de modéliser l'indice de saturation de la silice et d'anticiper les points critiques de précipitation. Cela transforme la maintenance réactive en une stratégie prédictive, réduisant les arrêts non planifiés et prolongeant la durée de vie des composants. La synergie entre Leica Cyclone, CloudCompare et Ansys Fluent démontre qu'un jumeau numérique ne se contente pas de reproduire la géométrie, mais simule la chimie du processus.
Comment un jumeau numérique peut-il intégrer des données historiques de production et des modèles prédictifs pour distinguer en temps réel entre une obstruction par silice et une défaillance mécanique d'une pompe de fond ?
(PS : Mon jumeau numérique est en ce moment même en réunion, pendant que je suis ici à modéliser. Donc techniquement, je suis à deux endroits à la fois.)