Machine learning-based regression and multi-objective optimization of thermo-hydraulic performance in a tubular heat exchanger with co-and counter-arranged V-winglet twisted tape inserts
تطور هذه الدراسة إطار عمل قائم على البيانات يدمج نماذج تعلم الآلة، والذكاء الاصطناًعي القابل للتفسير، والتحسين متعدد الأهداف للتنبؤ بالأداء الحراري الهيدروليكي وتحسينه للمبادلات الحرارية الأنبوبية المزودة بقطع إدخال شريط ملتوٍ مزدوج الثقوب من نوع (V-winglet) ذات دوامات متوافقة أو متعاكسة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الحديث، ينمو الطلب على الطاقة بشكل أسرع من أي وقت مضى، مما يدفع المهندسين إلى إيجاد طرق أكثر ذكاءً لنقل الحرارة من مكان إلى آخر. وفي قلب هذا التحدي تكمن المبادلات الحرارية، وهي "خيول العمل" المجهولة في الصناعة التي تنقل الطاقة الحرارية بين السوائل دون السماح لها بالاختلاط. ولجعل هذه الأجهزة أكثر كفاءة، غالبًا ما يستخدم العلماء تقنيات سلبية، والتي تتضمن إضافة هياكل فيزيائية داخل الأنابيب لتحريك السائل. ومن الطرق الشائعة إدراج شريط ملتوي، وهو عبارة عن شريط معدني يلتف لأسفل على طول الأنبوب. ومع تدفق السائل فوق هذا اللولب، فإنه يُجبر على الدوران، مما يؤدي إلى تفتيت الطبقة الرقيقة من السائل الراكن الملتصقة بجدار الأنبوب ويسمح للحرارة بالهروب بسرعة أكبر بكัง. ومع ذلك، فإن حركة الدوران هذه تخلق احتكاكًا، يعمل مثل المكابح على التدفق، مما يتطلب طاقة أكبر لضخ السائل عبر الأنبوب. والهدف الذي يسعى إليه المهندسون دائمًا هو إيجاد التوازن المثالي: الحصول على أكبر قدر ممكن من انتقال الحرارة مع استخدام أقل قدر من الطاقة للتغلب على ذلك الاحتكاك.
لقد تصدى فريق من الباحثين في معهد دهرادون للتكنولوجيا وجامعة سانكالشاند باتيل لهذا التوازن الصعب من خلال الجمع بين التجارب الفيزيائية والتعلم الحاسوبي المتقدم. وقد ركزوا على نوع محدد من الإدراج يسمى الشريط الملتوي مزدوج الثقوب مع أجنحة على شكل حرف V (V-winglets). تخيل شريطًا معدنيًا ملتويًا في شكل لولبي، لكنه هنا يتكون من طبقتين وبه ثقوب صغيرة مثقوبة للسماح لبعض السائل بالمرور من خلالها، مما يقلل من قوة السحب. وعلى طول حواف هذا الشريط، أضافوا زعانف صغيرة على شكل حرف V تبرز مثل أجنحة صغيرة. وقد تم ترتيب هذه الأجنحة بطريقتين مختلفتين: إما أن يلتف كلاهما في نفس الاتجاه أو يلتف في اتجاهات متعاكسة. أراد الباحثون معرفة كيفية أداء هذه الأشكال المحددة تحت سرعات تدفق مختلفة وكيف يمكن تحسينها لتوف fact توفير الطاقة.
لفهم سلوك هذه الإدراجات، قام الفريق ببناء أنبوب اختبار طويل وشفاف وأجروا تدفق هواء من خلاله بسرعات مختلفة، لمحاكاة الظروف الموجودة في الأنظمة الصناعية الحقيقية. واختبروا تدفق الهواء عند سرعات تتوافق مع نطاق معين من الاضطراب، من حوالي 10,400 إلى 22,800 على مقياس يُستخدم لقياس شدة التدفق. كما قاموا بتغيير مدى ضيق الالتواء في الشريط، حيث اختبروا نسبًا حيث يقوم الشريط بدورة كاملة كل 2 أو 4 أو 6 وحدات من الطول. ولكل اختبار، قاموا بقياس مدى جودة انتقال الحرارة، ومدى تباطؤ الهواء بسبب الاحتكاك، وكمية الطاقة الضائعة كاضطراب، والمعروف باسم الإنتروبيا. ثم قاموا بتغذية كل هذه البيانات في نظام حاسوبي استخدم عدة نماذج من تعلم الآلة لتعلم الأنماط. عملت هذه النماذج مثل طلاب مدربين تدريبًا عاليًا، حيث درست النتائج التجريبية للتنبؤ بكيفية تصرف النظام في حالات لم يسبق لها رؤيتها من قبل.
أظهرت النتائج أن التصميم المحدد للإدراج كان أمرًا بالغ الأهمية. فالشريط الملتوي المزدوج مع الأجنحة التي على شكل حرف V، وخاصة عندما يلتف اللولبان في اتجاهات متعاكسة، أنتج أفضل انتقال للحرارة. خلق هذا التكوين حركات دوامية قوية تخلط الهواء جيدًا، مما يسحب الحرارة بعيدًا عن جدران الأنبوب بفعالية أكبر بكثير من الأنابيب العادية أو الإدراجات الأبسط. ومع ذلك، جاء هذا الأداء العالي بتكلفة: فقد كان الاحتكاك أعلى أيضًا، مما يعني أن الهواء واجه مقاومة أكبر. ووجد الباحثون أنه من خلال ضبط نسبة الالتواء، يمكنهم التأثير على هذه المقايضة. فالالتواء الأكثر إحكامًا يحسن انتقال الحرارة عمومًا ولكنه يزيد من الاحتكاك، بينما الالتواء الأقل إحكامًا يقلل من الاحتكاك ولكنه يقدم تبادلًا حراريًا أقل. حددت الدراسة أن النسخة المزودة بأجنحة V والتوجه المتعاكس في الدوران حققت أعلى كفاءة إجمالية، حيث حسنت أداء النظام بنسبة 16 بالمائة تقريبًا مقارنة بالإعدادات الأخرى عند زيادة سرعة التدفق.
ولجعل العلاقات المعقدة هذه مفهومة، استخدم الباحثون تقنية تسمى الذكاء الاصطناعي القابل للتفسير. وبدلاً من مجرد ترك الكمبيوتر يعطي رقمًا، طلبوا من النموذج شرح أي العوامل كانت الأكثر أهمية. وأكد التحليل أن سرعة الهواء والشكل المحدد للشريط كانا القوى المهيمنة التي تقود النتائج. وأثبتت النماذج الحاسوبية، وخاصة نموذج "آلة ناقلات الدعم المربعات الصغرى" (Least Squares Support Vector Machine) ونموذج "XGBoost"، أنها دقيقة للغاية، حيث تنبأت بقيم انتقال الحر "والاحتكاك بموثوقية تقترب من 99 بالمائة. وهذا يعني أنه يمكن للمهندسين الآن استخدام هذه النماذج الرقمية للتنبؤ بكيفية أداء أي مبادل حراري جديد دون الحاجة إلى بناء واختبار كل نموذج أولي فيزيائي، مما يوفر وقتًا وموارد كبيرة.
أخيرًا، استخدم الفريق أداة تحسين متطورة للعثور على ظروف التشغيل المثالية. وبما أن تحسين انتقال الحرارة غالبًا ما يؤدي إلى تفاقم الاحتكاك، فلا يوجد إعداد واحد "مثالي" يعظم أحدهما مع تقليل الآخر. بدلاً من ذلك، أنشأ الكمبيوتر قائمة بأفضل الحلول الوسطى الممكنة، والمعروفة باسم "جبهة باريتو" (Pareto front). تقدم هذه الحلول للمهندسين قائمة من الخيارات: قد يمنح أحدهم الأولوية لأقصى انتقال للحرارة لنظام مدمج، بينما قد يمنح آخر الأولوية لاستهلاك طاقة أقل لنظام تكون فيه تكاليف الضخ مرتفعة. وخلصت الدراسة إلى أنه باستخدام هذه الأدوات القائمة على البيانات، من الممكن تصميم مبادلات حرارية ليست فقط أكثر فعالية في نقل الحرارة، ولكن أيضًا أكثر كفاءة في استخدامها للطاقة، مما يعالج الحاجة الملحة لإدارة حرارية أفضل في عالم يستهلك كميات متزايدة من الطاقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.