Geração de energia para data centers com turbinas a gás – Por que a simulação de sistemas é importante?
A demanda por IA torna o gargalo energético crítico
Os centros de dados impulsionados por IA, com seu apetite insaciável por eletricidade, estão remodelando a infraestrutura energética. As turbinas a gás estão em uma posição privilegiada para enfrentar esses desafios. Ao contrário das energias renováveis intermitentes, elas fornecem energia despachável, garantindo confiabilidade 24 horas por dia, 7 dias por semana, para os centros de dados. Por exemplo, o supercomputador Colossus xAI da Tesla, em Memphis, depende de 35 turbinas a gás no local para suportar suas 200.000 GPUs. É por isso que o mercado de turbinas a gás industriais está se expandindo rapidamente, impulsionado tanto pela demanda quanto pela inovação.
De fato, clusters de treinamento de IA em larga escala podem exigir centenas de megawatts de capacidade firme, apresentando perfis de carga altamente variáveis, impulsionados por ciclos de utilização de GPUs, sistemas de refrigeração e agendamento de cargas de trabalho. Ao contrário das cargas de data centers convencionais, as fábricas de IA apresentam um desafio fundamentalmente novo: flutuações de energia estocásticas e de alta frequência sobrepostas a grandes demandas sustentadas que devem ser atendidas pelos recursos de geração em tempo real.
Arquiteturas e equipamentos de energia para data centers – Fonte: Siemens Energy
A utilização de turbinas a gás em paralelo para alimentar centros de dados de IA cria uma configuração de microrrede isolada. A instalação de múltiplas turbinas a gás aeroderivadas ou de grande porte lado a lado permite que os operadores ajustem a produção de energia dinamicamente para atender à demanda computacional extrema.
Embora se dê muita atenção à turbina a gás em si, o verdadeiro desafio reside na otimização de todo o ecossistema energético: equilibrar a geração de energia, o armazenamento em baterias, a interação com a rede e a demanda altamente variável de inteligência artificial.
É aqui que o Simcenter Amesim oferece uma vantagem decisiva. Através da simulação de sistemas multidomínio, as equipes de engenharia podem avaliar, otimizar e validar as arquiteturas de data centers com sua geração de energia por turbinas a gás antes da implementação do hardware no local.
Por que as cargas de trabalho de IA representam um desafio para as redes elétricas?
Eventos como campanhas de treinamento em GPU ou grandes cargas de trabalho de inferência geram sequências de inicialização e desligamento. Ao contrário da hospedagem web tradicional, com curvas diurnas previsíveis, as cargas de computação de IA experimentam mudanças abruptas e massivas devido à dinâmica diferenciada da carga de trabalho. Isso cria variações de energia tanto previsíveis quanto estocásticas que o sistema de energia precisa acomodar.
A demanda por computação de IA em data centers impulsiona a necessidade de geração de energia dinâmica.
Carga de trabalho de IA | Perfil elétrico | Impacto na microrrede |
Treinamento em GPU | Carga massiva e sustentada com etapas repentinas e sincronizadas quando os lotes iniciam, falham ou atingem um ponto de verificação. – Períodos: 100 ms a 30 s | Causa uma queda severa na frequência da rede se milhares de GPUs entrarem em funcionamento simultaneamente. |
Inferência e sugestões | Picos de carga altamente estocásticos e intermitentes, baseados no tráfego de usuários e no comprimento do contexto. – Duração: 50 ms a 1 s (fase de pré-carregamento) ou segundos a minutos (fase de decodificação). | Requer capacidade de reserva rotativa imediata para evitar quedas de tensão. |
Ciclos de IA agéticos | Ciclos de raciocínio em várias etapas causam picos de energia sustentados e imprevisíveis em vários nós. Duração: minutos a horas. | Impede que as turbinas operem em seus pontos ideais de funcionamento em regime permanente, reduzindo a eficiência térmica. |
Perfil típico de carga variável de computação de IA devido ao treinamento em GPU e solicitações imediatas – Fonte: Roland Berger (esquerda) e Lu et al. (direita)
Por isso, projetar turbinas a gás adequadas para atender a esses perfis de carga de IA é fundamental. Isso tem um impacto direto nas operações, no controle e nos aspectos de resfriamento.
Sequências de Iniciar/Parar/Reiniciar:
Partidas e paradas frequentes reduzem a vida útil dos componentes da seção quente devido à fadiga térmica (uma partida pode equivaler a 10-20 horas de funcionamento de desgaste).
As partidas a frio demoram muito tempo para absorver aumentos de potência da IA (Inteligência Artificial) de menos de um segundo. Consequentemente, as turbinas precisam operar em reserva rotativa (em marcha lenta com alto consumo de combustível) ou depender de Sistemas de Armazenamento de Energia em Baterias (BESS) para compensar a lacuna de resposta transitória (50–500 ms) enquanto as turbinas aceleram.
Estratégia de controle:
Os controladores PI tradicionais de malha fechada reagem muito lentamente à comutação de GPUs em microssegundos. A arquitetura de controle exige Controle Preditivo Feed-Forward, onde o agendador do cluster de IA sinaliza o sistema de controle da turbina (TCS) milissegundos antes de despachar cargas de trabalho pesadas da GPU.
Distribuição do sistema de refrigeração:
Os circuitos de refrigeração líquida (unidades de resfriamento e chillers) acompanham a variação da carga elétrica. Se as GPUs tiverem uma queda rápida de carga, a demanda por refrigeração despenca. Turbinas operando em modo de ciclo combinado (utilizando caldeiras de recuperação de calor residual) sofrem desequilíbrios térmicos, correndo o risco de choque térmico nos trocadores de calor ou ebulição do fluido refrigerante.
Vamos investigar como gerenciar esses requisitos graças ao gêmeo digital no Simcenter Amesim. Consideraremos aqui a turbina a gás SGT-800 da Siemens Energy, embora pudesse ser qualquer outro tipo de turbina a gás (menor ou maior) de qualquer fabricante do mundo. A ferramenta Simcenter é muito flexível e pode se adaptar a qualquer configuração possível em poucos minutos com apenas alguns cliques.
Por que escolher a turbina a gás Siemens Energy SGT-800?
O Siemens SGT-800, com uma potência elétrica nominal de aproximadamente 47,5 MW, é ideal para suportar centros de dados de IA de médio e grande porte.
Turbina a gás SGT-800 – Fonte: Siemens Energy
Para instalações que exigem centenas de megawatts, várias turbinas a gás podem ser implantadas em paralelo para fornecer geração de energia escalável e resiliente. Em vez de tratar cada turbina como um ativo isolado, os operadores de data centers precisam cada vez mais de ferramentas para avaliar como várias unidades de geração interagem com cargas de trabalho variáveis de IA, sistemas de armazenamento de energia em baterias (BESS), conexões com a rede elétrica, infraestrutura de refrigeração ou controladores de microrredes.
Essa perspectiva de integração de sistemas emergiu como um requisito fundamental durante as discussões sobre as futuras arquiteturas de energia para data centers. Essas simulações agregam valor para fabricantes de equipamentos originais (OEMs), integradores de sistemas, fornecedores de energia e operadores de data centers.
Um gêmeo digital da turbina a gás SGT-800, aplicado às necessidades de um Data Center, pode ajudar a explorar questões-chave como:
Quando devem ser acionadas as turbinas adicionais?
Quais são os impactos da ciclagem na vida útil da turbina?
Como os custos operacionais podem ser minimizados?
Como deve ser fornecida a energia entre as turbinas e a rede elétrica?
Gêmeo digital para pré-dimensionamento no Simcenter Amesim
Vamos ver como o Simcenter Amesim está acelerando o desenvolvimento de turbinas a gás com a Simulação de Sistemas.
O modelo em regime permanente foi dimensionado inicialmente utilizando a ferramenta "Gas turbine performance tool", um recurso integrado do Simcenter Amesim. Ela permite selecionar a arquitetura adequada para gerar diretamente, em poucos segundos, o layout do sistema com todos os seus componentes devidamente conectados.
O fluxo de trabalho começa com a seleção da arquitetura da turbina a gás — neste caso, uma configuração de turboeixo de um único eixo — e a definição das principais características da ficha técnica necessárias para estabelecer o ponto de operação projetado.
Seleção de arquitetura na “Gas turbine performance tool”
Considerou-se aqui uma configuração de turboeixo de um único carretel, utilizada como base para o dimensionamento estático do SGT-800. Em seguida, obteve-se as características de desempenho nominais usadas para estabelecer o ponto de operação de referência. Uma vez definido o ponto de projeto, a ferramenta realiza cálculos em lote em uma gama de condições de operação fora do projeto.
Cálculos de lotes fora do projeto: verificação da faixa de operação em múltiplos níveis de carga, de 90% a 105% da carga nominal.
Isso possibilita verificar a faixa de operação da turbina a gás em vários níveis de carga, tipicamente de 90% a 105%, e verificar como a máquina se comporta sob diferentes condições ambientais e de ponto de operação.
Exibição dos mapas de desempenho: mapas do compressor HP e da turbina HP
Os mapas do compressor HP e da turbina HP são usados para visualizar a vazão mássica corrigida, a taxa de compressão, as tendências de eficiência e a faixa de operação antes de gerar o modelo completo do Simcenter Amesim. Após a conclusão do dimensionamento e das verificações da faixa de operação, o botão “Gerar Esboço” cria automaticamente o modelo de turbina a gás correspondente no Simcenter Amesim.
Geração automática de esboços do modelo Simcenter Amesim
O modelo completo da turbina a gás foi gerado com seus parâmetros predefinidos. Ele está preparado para a próxima etapa de integração com os sistemas auxiliares: a transmissão, o gerador, a carga computacional da IA e os controladores dos diferentes subsistemas. Leva apenas alguns minutos para alcançar essa grande conquista. Agora, vamos para a próxima etapa: obter o modelo dinâmico para os transientes completos do gêmeo digital.
Modelo dinâmico para análise transiente
O modelo dinâmico amplia essa arquitetura com inércias do eixo, dinâmica da embreagem e da caixa de câmbio, malhas de controle de combustível, sequenciamento de partida, comportamento do regulador de queda de potência e um perfil de carga computacional estocástico de IA de data center para avaliar a resposta transitória e o rastreamento de potência.
Modelo completo do SGT-800 com a turbina a gás e seus subsistemas ao redor.
O modelo compreende três subsistemas interconectados:
O núcleo termodinâmico: compressor “Inlet Guide Pale” (mapas SAE, mistura de gases de 6 espécies: N₂, O₂, Ar, CH₄, CO₂, H₂O), zona de combustão primária (combustível CH₄, PCI = 47 MJ/kg, η_comb = 99,95%) e turbina de alta pressão.
O sistema de transmissão: inércia do eixo de alta pressão (J₁ = 1000 kg·m², assistida por IA), embreagem principal, caixa de câmbio (relação Ngen/Ngg_nom = 1500/6600), inércia do lado do gerador (J = 14000 kg·m², assistida por IA), acoplamento rotativo mola-amortecedor.
Controle e Carga: Controlador de combustível PID, regulador de queda de potência, máquina de estados de sequência de partida e modelo estocástico de demanda de data center.
Em vez de tentar simular diretamente os algoritmos de IA, a conexão da rede do centro de dados é representada como um sinal estocástico de demanda de energia composto por dois componentes matemáticos:
Um componente aleatório para as flutuações de curto prazo
Um sinal aleatório uniformemente distribuído r(t) representando os eventos imprevisíveis de troca de carga da GPU. Isso captura a natureza rápida e não determinística dos picos de carga de trabalho de IA em um horizonte de agendamento de 10 segundos.
Um componente harmônico para as interações da grade periódica
Três termos sinusoidais modelam os ciclos de carga periódicos impulsionados pela demanda de refrigeração, pelo agendamento de tarefas em lote e pelos ciclos de gerenciamento térmico. O sinal combinado passa por um filtro de atraso de primeira ordem (τ_DC = 0,5 s) antes de ser enviado ao regulador de queda de potência, impedindo que o sistema de combustível da turbina reaja aos picos instantâneos.
Evolução variável da carga computacional de IA representada por um sinal estocástico de demanda de energia.
Uma estratégia de controle hierárquica, totalmente eficaz graças à IA
A turbina a gás não deve seguir diretamente cada flutuação da carga de IA. Em vez disso, é necessária uma arquitetura de controle hierárquica, composta por diferentes camadas e seus respectivos controladores.
Camada 1: Dinâmica da Turbina a Gás: No nível mais baixo, o modelo SGT-800 representa a dinâmica do compressor, o comportamento do sistema de combustível, o processo de combustão, a velocidade do eixo e a geração de energia elétrica.
Camada 2: Controlador da Unidade de Turbina: Cada turbina contém suas próprias funções de controle. Elas estão disponíveis para sequenciamento de partida, regulação de velocidade, controle de carga, limitações de temperatura e sistemas de proteção. O objetivo é garantir uma operação segura e eficiente, acompanhando os pontos de ajuste de potência fornecidos pelos controladores de nível superior.
Camada 3: Controle Supervisório da Usina: O controlador supervisor gerencia um conjunto de turbinas. Por exemplo, uma usina de 300 MW pode operar 6 unidades × SGT-800 de 47,5 MW ≈ 285 MW de capacidade instalada. Suas principais responsabilidades incluem o despacho de unidades, o compartilhamento de carga, as decisões de partida/parada, a gestão de reservas e a otimização da disponibilidade. Essa abordagem torna-se particularmente relevante à medida que os recentes complexos de usinas hidrelétricas implantam múltiplas unidades de turbinas a gás operando em paralelo.
A estratégia de controle utiliza um regulador de queda de potência (droop governor) e um controlador PID. Trata-se, na verdade, da estratégia clássica de queda de potência combinada com um controlador de combustível PID em cascata. O regulador de queda de potência ajusta o ponto de ajuste do fluxo de combustível com base no erro de velocidade do gerador, impedindo que a turbina acompanhe cada microflutuação da demanda estocástica do data center.
ΔP_setpoint = P_nom · (−1/R) · (N_act − N_nom) / N_nom [R = 5% de queda]
Arquitetura de controle com estratégia de queda de tensão clássica e controlador de combustível PID em cascata.
Uma queda de 5% (R = 0,05) significa que um desvio de velocidade de 5% produz uma resposta de potência de 100% — proporcionando um comportamento semelhante ao de um compressor isócrono na faixa de operação. O controlador PID a jusante aciona então a válvula de combustível para atingir o ponto de ajuste de fluxo de combustível corrigido, com saturação de saída para evitar sobrepressão ou superaquecimento do compressor. Algumas chaves dinâmicas sequenciam os laços de controle durante as fases de partida, autossustentação e potência nominal.
Vale ressaltar que o assistente de IA do Simcenter Amesim desempenhou um papel significativo no dimensionamento e ajuste de vários parâmetros-chave que, de outra forma, exigiriam extensas iterações ou dados experimentais. Foi fundamental para o sucesso e para a obtenção rápida dos primeiros resultados.
Parâmetro | Valor sugerido por IA | Justificativa Física |
Arquitetura de Controle Global | hierarquia de 4 camadas | IA propôs uma arquitetura em camadas: PID da turbina → regulador de queda → chave supervisora → filtro de carga CC |
Temporização da sequência inicial | t₁=1 s, t₂=30 s, t₃=90 s, t₄=30 s | Desligamento → autossustentação → rampa de velocidade nominal; inspirado nos dados de comissionamento do SGT-800 |
Ganhos PID (Kp, Ki) | 4,0 / 0,5 | Ganhos proporcionais-integrais ajustados via IA para uma resposta robusta do controle de combustível com queda de 5%. |
Equações de Demanda de Energia | Modelo harmônico + aleatório | A IA recomendou a superposição aleatória estocástica de harmônicos de 3 frequências para simular os perfis de carga da GPU da IA. |
Inércia do gerador J | 14 000 kg·m² | Inércia do lado do gerador; reflete uma máquina síncrona típica da classe de 47 MW. |
Inércia do eixo HP J₁ | 1 000 kg·m² | Inércia rotacional do lado da turbina; dimensionada para dinâmica de velocidade estável durante transientes de carga. |
A parametrização é bastante aprimorada graças ao Assistente de IA do Simcenter Amesim.
Muito bem, agora tem-se s turbina a gás SGT-800 completa, com sua estratégia de controle e subsistemas. As equipes de engenharia podem começar a investigar diversos tipos de testes correspondentes a vários cenários.
Resultados da simulação para a sequência completa de inicialização
Chegou a hora de analisar as grandes conquistas que pode-se obter com este gêmeo digital da turbina a gás SGT-800 no Simcenter Amesim. O modelo executa uma simulação transiente de 600 segundos, capturando toda a sequência de inicialização, seguida pela operação com carga nominal sob demanda estocástica de um data center.
Primeiramente, são analisados os resultados do rastreamento de potência. No canto superior esquerdo, é apresentada a saída do gerador em função da demanda de energia do data center [MW]. No canto superior direito, é exibido o gráfico da taxa de fluxo de combustível [kg/s], juntamente com os comandos de partida e conexão à rede. No canto inferior esquerdo, é apresentada a carga do gerador [%]. Já no canto inferior direito, são mostradas a velocidade do GG (gerador a gás) [rpm] e a potência líquida do gás [MW]. O transiente de partida é claramente observado durante o período de 0 a 150 s, enquanto, posteriormente, verifica-se o estado estacionário controlado por queda de tensão.
Gêmeo digital SGT-800 – Potência e operação global
Tudo sob controle! A análise passa agora para outras grandezas importantes para garantir o funcionamento adequado da turbina a gás nos diferentes pontos de operação durante a fase transitória. As informações relevantes são apresentadas, da esquerda para a direita, para o compressor, a turbina e o escapamento. Na parte inferior, os gráficos mostram, respectivamente, a margem de sobrepressão e a taxa de compressão do compressor, a vazão mássica de ar da turbina, a taxa de fluxo de calor e a temperatura da câmara de combustão.
Gêmeo digital SGT-800 – Evolução da pressão e temperatura, margem de sobrepressão e relação de pressão
Finalmente pode-se verificar as informações sobre o compressor e a turbina referentes às suas linhas de operação em seus respectivos mapas.
Gêmeo digital do SGT-800 – Mapa do compressor (esquerda) e mapa da turbina (direita)
À esquerda, é apresentado o mapa do compressor, contendo sua linha de surto, as linhas de iso-velocidade (70–105% da velocidade corrigida) e a linha de operação simulada. À direita, é apresentado o mapa da turbina, com suas linhas de iso-velocidade de vazão mássica em função da relação de pressão corrigida, além da linha de operação nas condições de projeto. Ambos os mapas utilizam dados de desempenho no formato SAE, disponíveis na biblioteca "Gas Turbine Engine" do Simcenter Amesim.
Principais conclusões – Uma implementação bem-sucedida desde o primeiro dia.
Este modelo SGT-800 demonstra uma estrutura de simulação viável em nível de sistema para avaliar a operação de turbinas a gás em ambientes de data centers de IA. Os resultados mostram que a sequência de inicialização, o controle de queda de potência e o regulador de combustível PID atuam em conjunto para acompanhar uma demanda estocástica de computação de IA que representa bem os padrões de carga de trabalho da GPU.
O Simcenter Amesim permite que engenheiros identifiquem a melhor tecnologia para turbinas a gás para alimentar Data Centers de IA, reduzindo drasticamente a necessidade de protótipos físicos. Dessa forma, contribui para o fornecimento de sistemas adequados para geração de energia, garantindo operação bem-sucedida no local desde o primeiro dia. O retorno sobre o investimento (ROI) com a redução das iterações de projeto, do ciclo de desenvolvimento e do comissionamento é enorme.
A verdadeira inovação não reside apenas na turbina a gás, mas na capacidade de simular e otimizar todo o ecossistema energético de um centro de dados com inteligência artificial.
Indo além – Tantas possibilidades com uma estrutura tão flexível
Agora que o gêmeo digital da sua turbina a gás para Data Centers está pronto, só há benefícios em explorá-lo para aproveitar seu potencial intrínseco e aumentar a produtividade em casos de uso relevantes. Há muitos próximos passos interessantes a serem investigados. Por exemplo, podemos listar algumas ideias iniciais aqui:
Geração de energia para data centers combinando turbinas a gás, energias renováveis, sistemas de armazenamento de energia em baterias (BESS), sistemas de alimentação ininterrupta (UPS) e controles.
⚙️Considere N turbinas a gás em paralelo para obter a geração de energia total. Isso pode ser feito duplicando o modelo de turbina a gás individual, que leva 12 segundos de tempo de CPU para simulações de 600 segundos, ou substituindo-o por um modelo de ordem reduzida (ROM) ainda mais rápido, caso sejam necessárias centenas de simulações.
🔋Investigar configurações híbridas para gerenciar as variações lentas e rápidas da carga de computação de IA. Normalmente, avalia-se o Sistema de Armazenamento de Energia em Baterias (BESS) em instalações alimentadas por IA, em vez de forçar as turbinas a gás a reagir a cada flutuação de energia. As variações rápidas são gerenciadas pela bateria, enquanto as variações lentas são gerenciadas pelas turbinas a gás.
♻️Considere complementar a geração de energia com fontes renováveis, como painéis solares ou turbinas eólicas. Com um Sistema de Gestão de Energia (SGE) de alto nível para coordenar as turbinas a gás, as baterias, as fontes renováveis e a conexão à rede, minimizando também os custos operacionais.
💧Investigar combustíveis alternativos como o hidrogênio (H₂) para turbinas a gás em substituição ao metano (CH₄). Combustíveis sustentáveis são alternativas aos combustíveis fósseis tradicionais que podem reduzir significativamente as emissões de carbono. Derivados do hidrogênio, como a amônia (NH₃) e o metanol (CH₃OH), também podem ser utilizados para descarbonizar turbinas a gás e apoiar a transição para um futuro energético mais sustentável.
💰Explore a avaliação técnico-econômica da microrrede completa com turbinas a gás e controladores para calcular o custo de energia em cenários realistas, considerando condições climáticas, métricas de OPEX/CAPEX e previsões de emissões de CO₂.
Com o crescimento dos data centers impulsionados por IA, a necessidade de sistemas de geração de energia mais eficientes e confiáveis se torna cada vez maior. Com o Simcenter Amesim, é possível simular e otimizar sistemas de turbinas a gás, microrredes e armazenamento de energia, avaliando diferentes cenários antes da implementação física. Agende uma reunião com a CAEXPERTS e conheça como a simulação de sistemas pode contribuir para o desenvolvimento e a otimização dessas soluções. Conduzimos os primeiros projetos em colaboração com sua equipe para maximizar o retorno do investimento, ajudando sua empresa a extrair o máximo desempenho da ferramenta e obter resultados mais rápidos, precisos e confiáveis em seus projetos.
WhatsApp: +55 (48) 98814-4798
E-mail: contato@caexperts.com.br
