Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control

Diese Studie stellt einen CNN-basierten Surrogatmodell vor, der die Nusselt-Zahl-Verteilung in Impingement-Jet-Anordnungen mit dynamischen Ein- und Auslässen in Echtzeit vorhersagt und damit rechenintensive CFD-Simulationen für die modellbasierte Temperaturregelung ersetzt.

Das Wesentliche

Das Problem: Der riesige Kochtopf mit vielen Düsen

Stellen Sie sich vor, Sie haben einen riesigen, heißen Ofen (wie einen Motor oder eine Batterie), den Sie kühlen müssen. Um das zu tun, nutzen Sie eine Wand mit vielen kleinen Düsen, die Luftstrahlen darauf richten. Das nennt man „Impinging Jets" (aufprallende Strahlen).

Das Tolle an diesem System ist, dass jede Düse einzeln gesteuert werden kann:

• Sie kann Luft hineinblasen (Kühlen).
• Sie kann Luft absaugen (um die Strömung zu lenken).
• Sie kann zugemacht sein.

Das Problem ist: Wenn Sie 9 Düsen haben, gibt es unvorstellbar viele Möglichkeiten, wie diese Düsen kombiniert werden können (Millionen von Szenarien!). Um herauszufinden, welche Kombination die beste Kühlleistung liefert, müssten Sie normalerweise komplexe physikalische Simulationen am Computer laufen lassen.

Aber hier liegt das Dilemma: Diese Simulationen sind wie das Berechnen eines komplexen Wettermodells für jeden einzelnen Tropfen Regen. Sie dauern Tage oder Wochen auf Supercomputern. Für eine echte Steuerung in Echtzeit (z. B. um eine Batterie im Auto sofort zu kühlen, wenn sie heiß wird) sind sie viel zu langsam. Man braucht eine Lösung, die in Millisekunden eine Antwort liefert.

Die Lösung: Der „Koch-Assistent" (Das Surrogat-Modell)

Die Forscher haben eine clevere Abkürzung gefunden. Sie haben einen künstlichen Intelligenz-Assistenten (ein sogenanntes „Surrogat-Modell" basierend auf einem Convolutional Neural Network, kurz CNN) trainiert.

Stellen Sie sich diesen Assistenten wie einen erfahrenen Koch vor:

1. Das Lernen: Zuerst hat der Koch (der Computer) 100 verschiedene Szenarien mit einem sehr genauen, aber langsamen Rezept (der CFD-Simulation) durchgespielt. Er hat genau gemerkt: „Wenn ich Düse 1 stark öffne und Düse 2 schließe, entsteht hier eine heiße Stelle."
2. Der Trick: Der Koch hat nicht jedes einzelne Rezept auswendig gelernt. Stattdessen hat er die Muster erkannt. Er versteht die „Sprache" der Luftströme.
3. Die Vorhersage: Wenn Sie ihm jetzt eine neue Kombination von Düsen geben, die er noch nie gesehen hat, sagt er Ihnen sofort (in Echtzeit), wie die Temperaturverteilung aussieht. Er braucht dafür keine Tage, sondern nur einen Wimpernschlag.

Wie funktioniert das im Detail?

• Die Trainingsdaten: Der Assistent wurde mit Daten aus Simulationen trainiert, bei denen die Luftströmung relativ ruhig war (niedriger Druck/Geschwindigkeit).
• Der Sprung ins Unbekannte: Die echte Welt ist oft wilder (höhere Geschwindigkeiten). Normalerweise müsste man dafür neue, teure Simulationen machen. Die Forscher haben aber einen cleveren Trick angewendet: Sie haben eine mathematische Formel benutzt, die wie eine Vergrößerungslupe funktioniert. Sie sagen im Grunde: „Wenn wir wissen, wie es bei langsamer Luft aussieht, können wir berechnen, wie es bei schneller Luft aussieht, indem wir die Ergebnisse einfach skalieren."
• Das Ergebnis: Der Assistent ist extrem präzise. Bei einem Test mit 5 Düsen lag sein Fehler bei weniger als 2 %, bei 9 Düsen sogar nur bei 0,6 %. Das ist, als würde ein Wettervorhersage-Modell den Regen genau dort vorhersagen, wo er fällt, mit fast perfekter Genauigkeit.

Der Beweis: Der Test im echten Leben

Um sicherzugehen, dass der Assistent nicht nur im Computer gut ist, haben die Forscher ein echtes Experiment gebaut.

• Sie nahmen eine Metallplatte, heizten sie mit einem Heißluftföhn auf und kühlten sie mit dem echten Düsen-System.
• Dann ließen sie den KI-Assistenten die Situation berechnen.
• Das Ergebnis: Die Vorhersage des Computers und die Messung der echten Kamera passten fast perfekt zusammen (Abweichung von nur ca. 5,8 %).

Warum ist das wichtig?

Stellen Sie sich vor, Sie fahren ein Elektroauto. Die Batterie wird heiß. Ein alter Computer würde Minuten brauchen, um zu berechnen, welche Lüfter wie stark laufen müssen. Das wäre zu spät.

Mit diesem neuen „KI-Assistenten" kann das Kühlsystem in Echtzeit reagieren. Er weiß sofort, welche Düse geöffnet oder geschlossen werden muss, um die Batterie genau dort zu kühlen, wo sie gerade heiß wird. Er ist der schnelle, kluge Navigator für das Kühlsystem, der den langsamen, aber genauen Physiker im Hintergrund nutzt, um die Regeln zu lernen, aber dann selbst die Entscheidungen trifft.

Zusammenfassend: Die Forscher haben einen schnellen, klugen KI-Coach gebaut, der gelernt hat, wie komplexe Luftströme funktionieren. Er kann sofort sagen, wie man ein Kühlsystem am besten steuert, und das sogar für Situationen, die er noch nie direkt gesehen hat. Das ist ein riesiger Schritt hin zu intelligenteren Kühlsystemen für unsere Technologie.

Technische Zusammenfassung

Titel:

Surrogatmodell zur Vorhersage des Wärmeübergangs in Impingement-Jet-Anordnungen unter Verwendung dynamischer Einlass-/Auslass- und Durchflussregelung.

1. Problemstellung

Impingement-Jets (aufprallende Strahlen) sind entscheidend für das thermische Management in Anwendungen wie der Fertigung, der Kühlung von Gasturbinen, Elektrofahrzeugbatterien und elektronischen Kühlsystemen. Während einzelne Jets hohe lokale Nusselt-Zahlen erzeugen, bieten Jet-Anordnungen eine homogenere Verteilung und eine bessere Oberflächenabdeckung.

Die von Lamarre und Raymond entwickelte Technologie ermöglicht eine aktive Kühlung, bei der jeder Jet in einer Anordnung unabhängig gesteuert werden kann. Jeder Jet kann dynamisch zwischen drei Zuständen wechseln: Einlass, Auslass oder geschlossen. Dies erlaubt eine präzise räumliche und zeitliche Temperaturregelung.

• Herausforderung: Die Entwicklung von Regelungsstrategien für solche Systeme ist extrem komplex, da die Anzahl möglicher Konfigurationen (Anordnungen von Einlässen/Auslässen) exponentiell mit der Anzahl der Jets wächst.
• Limitierung herkömmlicher Methoden:
  • Empirische Korrelationen: Gelten meist nur für feste Konfigurationen (alle Jets als Einlass) und berücksichtigen keine dynamischen Wechselwirkungen oder Auslass-Funktionen.
  • CFD-Simulationen (Computational Fluid Dynamics): Zwar hochpräzise, aber rechnerisch zu aufwendig für Echtzeitanwendungen wie die modellbasierte Regelung. Die Kosten steigen zudem drastisch mit der Reynolds-Zahl (Re).

Das Ziel ist daher die Entwicklung eines Surrogatmodells, das die Nusselt-Zahl-Verteilung in Echtzeit vorhersagen kann, um fortschrittliche Regelungsstrategien zu ermöglichen.

2. Methodik

A. Geometrie und CFD-Datengenerierung
Das Studium konzentriert sich auf zwei aktive Kühlsysteme:

1. Eine 5x1-Anordnung (5 Jets in einer Reihe).
2. Eine 3x3-Anordnung (9 Jets in einem Raster).

• Simulation: Es wurden implizite Large-Eddy-Simulationen (ILES) mit der Open-Source-Software Lethe (Finite-Elemente-Methode) durchgeführt.
• Datensatz:
  • Training/Validierung erfolgte bei Reynolds-Zahlen Re < 2.000.
  • Für das 5x1-System wurden 83 Simulationen, für das 3x3-System 100 Simulationen generiert.
  • Die Eingabeparameter umfassen die Positionen der Einlässe/Auslässe und die normierten Durchflussraten (Reynolds-Zahlen), generiert mittels Latin Hypercube Sampling (LHS).
• Mesh-Unabhängigkeit: Eine Gitterunabhängigkeitsstudie bestätigte, dass ein Gitter mit 1,2 Millionen Zellen für Re < 2.000 ausreicht.

B. Architektur des Surrogatmodells (CNN)
Es wurde ein Convolutional Neural Network (CNN) entwickelt, da die Nusselt-Zahl-Verteilung räumliche Korrelationen aufweist, die durch Faltungsoperationen effizient erfasst werden können.

• Eingabe: Vektoren, die den Zustand (Einlass=1, Auslass=-1, geschlossen=0) und die normierten Durchflussraten sowie die räumlichen Koordinaten der Jets kodieren.
• Architektur: Das Netzwerk nutzt transponierte Faltungsschichten (Transposed Convolutions), um die Eingabedaten schrittweise hochzuskalieren (Upscaling), gefolgt von regulären Faltungs- und Pooling-Schichten, um die endgültige Nusselt-Zahl-Karte (2D-Map) mit hoher Auflösung zu rekonstruieren.
• Training: Das Modell wurde mit PyTorch trainiert. Die Hyperparameter (z. B. maximale Kanalzahl, Lernrate) wurden mittels k-Fold-Cross-Validation optimiert.

C. Extrapolation auf hohe Reynolds-Zahlen
Da CFD-Simulationen bei hohen Reynolds-Zahlen (bis Re = 10.000) zu teuer sind, wurde eine korrelationsbasierte Skalierung entwickelt.

• Basierend auf der Arbeit von Martin [15] wird angenommen, dass die Nusselt-Zahl proportional zu $Re^{0.574}$ ist.
• Die Vorhersagen des bei Re < 2.000 trainierten CNNs werden skaliert, um Ergebnisse für Re bis 10.000 zu extrapolierten:
  $$Nu(Re_{pred}) = Nu(2000) \cdot \left(\frac{Re_{pred}}{2000}\right)^{0.574}$$

3. Wichtige Beiträge

1. Erstes Surrogatmodell für dynamische Jet-Anordnungen: Im Gegensatz zu bestehenden Modellen für feste Konfigurationen kann dieses Modell beliebige Kombinationen von Einlässen, Auslässen und geschlossenen Düsen sowie variable Durchflussraten abbilden.
2. Echtzeitfähigkeit: Das CNN liefert Vorhersagen in Echtzeit, was eine Voraussetzung für modellbasierte Regelungsstrategien (Model Predictive Control) ist.
3. Skalierbare Extrapolation: Die Methode ermöglicht die Nutzung von Low-Reynolds-Daten für Hoch-Reynolds-Anwendungen (bis Re=10.000) mit akzeptablem Fehler.
4. Experimentelle Validierung: Das Modell wurde nicht nur numerisch, sondern auch experimentell validiert.

4. Ergebnisse

Genauigkeit bei Re < 2.000:

• Das Modell erfasst die Hauptmerkmale der Wärmeübertragung, einschließlich der Lage von Spitzen und der Wechselwirkungen zwischen den Jets (Cross-Flow-Effekte).
• Fehlermetriken (Validierungsdaten):
  • 5x1-Modell: Normalisierter mittlerer absoluter Fehler (NMAE) von 1,6 % (RMSE: 0,64).
  • 3x3-Modell: NMAE von 0,57 % (RMSE: 0,24). Das 3x3-Modell ist genauer, da die höhere Symmetrie der Geometrie mehr Trainingsdaten durch Spiegelung ermöglichte.
• Globale vs. Lokale Fehler: Während lokale hochfrequente Schwankungen (z. B. bei Jet-Jet-Wechselwirkungen) manchmal nicht perfekt erfasst werden, ist die Vorhersage des durchschnittlichen Nusselt-Werts über die gesamte Fläche sehr genau (Abweichung < 1,4 % für 5x1 und < 0,2 % für 3x3).

Extrapolation auf Re = 10.000:

• Die skalierten Vorhersagen zeigen immer noch die Hauptmerkmale der Verteilung.
• Der Fehler steigt jedoch an (NMAE für 5x1 von 1,6 % auf 11 %).
• Bewertung: Dieser Fehler wird als akzeptabel eingestuft, da in einer geschlossenen Regelkreissystem (Feedback-Control) die Temperaturmessung des realen Systems die Modellfehler kompensieren kann.

Experimentelle Validierung:

• Ein Experiment mit dem 5x1-System bei Re = 10.000 wurde durchgeführt. Eine Wärmepistole erzeugte eine bekannte Wärmelast, und die Temperatur wurde mit einer Wärmebildkamera gemessen.
• Die rekonstruierte Temperatur (basierend auf dem Surrogatmodell) wich nach 120 Sekunden im Durchschnitt nur um 5,8 % von den experimentellen Werten ab.

5. Bedeutung und Ausblick

Diese Arbeit legt den Grundstein für modellbasierte Regelungsstrategien in fortschrittlichen thermischen Managementsystemen.

• Anwendbarkeit: Die Fähigkeit, die Wärmeübertragung in Echtzeit für komplexe, sich ändernde Jet-Konfigurationen vorherzusagen, ermöglicht es, Kühlsysteme dynamisch an wechselnde Wärmelasten anzupassen (z. B. in der Gießereiindustrie oder bei Batteriekühlung).
• Effizienz: Durch den Ersatz rechenintensiver CFD-Simulationen durch ein CNN wird die Echtzeit-Regelung erst möglich.
• Zukunft: Die Autoren planen, dieses Surrogatmodell direkt in geschlossene Regelkreise zu integrieren, um die Durchflussraten und Konfigurationen einzelner Jets aktiv zu steuern und so die thermische Effizienz und Produktqualität zu maximieren.

Zusammenfassend demonstriert die Studie erfolgreich, wie hochpräzise CFD-Daten genutzt werden können, um robuste und schnelle KI-Modelle für komplexe Strömungs- und Wärmeübertragungsprobleme mit dynamischen Randbedingungen zu entwickeln.