Topology optimization of two-fluid turbulent heat exchangers: A Darcy flow-based multifidelity approach

Dieser Beitrag stellt ein Multifidelity-Topologieoptimierungsframework vor, das ein rechnerisch effizientes, auf der Darcy-Strömung basierendes Low-Fidelity-Modell gegen ein High-Fidelity-RANS-Modell kalibriert, um Zweiflüssigkeits-Wärmetauscher mit turbulenter Strömung zu entwerfen, und dabei durch die Balance zwischen verbesserter Wärmeübertragung und beherrschbarem Druckverlust eine Leistungssteigerung von bis zu 22 % gegenüber konventionellen Designs erzielt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, den ultimativen Wärmetauscher zu entwerfen – ein Gerät, das wie ein thermischer Händedruck zwischen zwei Fluiden (wie heißem und kaltem Wasser) fungiert, die durch Rohre strömen. Das Ziel ist es, den Wärmeaustausch so schnell wie möglich zu gestalten, ohne dass die Fluide zu sehr Widerstand leisten (was Energie verschwenden würde).

Seit Jahrzehnten versuchen Ingenieure, diese Geräte zu verbessern, indem sie Metallbänder in den Rohren verdrillen oder Rippen hinzufügen. Doch diese Methoden sind wie der Versuch, ein Meisterwerk mit einem Hammer zu formen; sie sind durch das begrenzt, was traditionelle Fertigungsmethoden biegen und verdrillen können.

Diese Arbeit stellt eine neue Methode zur Gestaltung dieser Geräte vor, die auf einer computergestützten „Intelligenz" namens Topologieoptimierung basiert. Stellen Sie sich dies als digitalen Bildhauer vor, der jede erdenkliche Form herausarbeiten kann, sofern sie in das Rohr passt. Die Simulation davon, wie Fluide bei hohen Geschwindigkeiten wirbeln und sich vermischen (Turbulenz), ist jedoch wie der Versuch, das Wetter in einem Hurrikan vorherzusagen: Sie ist unglaublich genau, erfordert aber einen Supercomputer, der Jahre für die Berechnung benötigt.

Das Problem: Das „Perfekte" versus das „Schnelle"

Die Forscher standen vor einem Dilemma:

1. Das hochauflösende (HF) Modell: Dies ist der „Wettervorhersager". Es nutzt komplexe Physik (RANS-Gleichungen), um genau vorherzusagen, wie sich turbulente Fluide verhalten. Es ist genau, aber so langsam, dass es unmöglich ist, es tausende Male laufen zu lassen, um das beste Design zu finden.
2. Das niedrigauflösende (LF) Modell: Dies ist die „schnelle Skizze". Es verwendet ein vereinfachtes mathematisches Modell (Darcy-Strömung), das die Strömung so behandelt, als würde sie durch einen Schwamm fließen. Es ist unglaublich schnell, liefert aber oft falsche Details, insbesondere hinsichtlich des Druckverlusts des Fluids.

Verwenden Sie nur die Skizze, könnten Sie ein schönes Rohr entwerfen, das unter realem Druck kollabiert. Verwenden Sie nur den Wettervorhersager, werden Sie das Design niemals fertigstellen.

Die Lösung: Der „Multifidelity"-Ansatz

Die Autoren entwickelten eine clevere Zwei-Schritte-Strategie, die sie Multifidelity-Ansatz nennen. Stellen Sie sich dies wie das Training für einen Marathon vor:

1. Der Trainingslauf (Optimierung): Sie nutzen die „schnelle Skizze" (das LF-Modell), um Tausende von Probelaufen durchzuführen. Sie passen das Design an, ändern die Geschwindigkeit und testen verschiedene Formen, um vielversprechende Kandidaten zu finden. Da die Skizze schnell ist, können Sie Hunderte verschiedener „Was-wäre-wenn"-Szenarien schnell durchspielen.
2. Die Kalibrierung: Vor den Trainingsläufen haben sie die Skizze „kalibriert". Sie passten die Dichte des Schwamms in der Mathematik so an, dass die Ergebnisse der Skizze mit denen des Wettervorhersagers für ein Standardrohr übereinstimmten. Dies machte die Skizze viel schlauer.
3. Der Renntag (Bewertung): Sobald der Computer mit der schnellen Skizze eine Reihe interessanter Designs gefunden hatte, nahmen sie die Top-Kandidaten und ließen sie jeweils nur einmal durch den „Wettervorhersager" (das HF-Modell) laufen. Dies ist der endgültige, genaue Test, um zu sehen, welches Design tatsächlich gewinnt.

Was sie fanden

Sie wandten diese Methode auf einen „Doppelrohr"-Wärmetauscher (ein Rohr innerhalb eines anderen) an, bei dem die Fluide sehr schnell strömten (turbulente Strömung).

• Die Ergebnisse: Die computergestützt entworfenen Formen waren wild und komplex und sahen gar nicht wie Standardrohre aus. Sie schufen intricate innere Wände, die die Fluide zwangen, intensiv zu wirbeln und sich zu vermischen, ähnlich wie ein Koch, der eine Sauce kräftig umrührt, um sie schneller abzukühlen.
• Der Vergleich: Sie verglichen ihre neuen Designs mit einem Standardrohr mit einem „verdrillten Band" (ein gängiger industrieller Trick zur Verbesserung des Wärmeübergangs).
  • Das verdrillte Band verbesserte den Wärmeübergang, verursachte jedoch einen massiven „Stau" (hohen Druckverlust), was es insgesamt ineffizient machte.
  • Die neuen, computergestützt entworfenen Formen verbesserten den Wärmeübergang im Vergleich zu einem einfachen Rohr um bis zu 66 %.
  • Entscheidend war, dass sie den „Stau" viel besser bewältigten. Betrachtet man die Gesamtbewertung (Abwägung von Wärmegewinn gegen Energiekosten), waren ihre Designs bis zu 22 % besser als das verdrillte Band.

Das Fazit

Die Arbeit beweist, dass man nicht jeden einzelnen Wirbel eines Hurrikans simulieren muss, um ein großartiges Design zu finden. Indem Ingenieure eine schnelle, kalibrierte „Skizze" nutzen, um die Möglichkeiten zu erkunden, und einen langsamen, genauen „Vorhersager", um die Gewinner zu verifizieren, können sie Hochleistungs-Wärmetauscher entwerfen, die weit überlegen sind gegenüber dem, was wir derzeit mit traditionellen Methoden bauen können.

Die Studie weist speziell darauf hin, dass diese Designs über einen weiten Geschwindigkeitsbereich gut funktionieren, was darauf hindeutet, dass sie robust und für den realen Einsatz bereit sind, sofern sie hergestellt werden können (wahrscheinlich mittels 3D-Druck, den die Autoren als entscheidenden Enabler für derartige komplexe Formen erwähnen).

Technische Zusammenfassung

Technische Zusammenfassung: Topologieoptimierung von Zwei-Fluid-Turbulenten Wärmetauschern

Problemstellung
Das Design von Zwei-Fluid-Wärmetauschern (HXs), insbesondere von Doppelrohr-Wärmetauschern (DPHXs), stützt sich traditionell auf passive Verstärkungstechniken wie den Einbau von Drallbändern, Rippen oder gewölbten Rohren. Obwohl diese Methoden wirksam sind, unterliegen sie den Einschränkungen konventioneller Fertigungsverfahren und führen häufig zu suboptimalen Kompromissen zwischen der Verbesserung des Wärmeübergangs und den Druckverluststrafen. Die Topologieoptimierung (TO) bietet einen Weg zur Generierung innovativer Geometrien, doch die Anwendung von TO auf turbulente Zwei-Fluid-Systeme stellt erhebliche rechnerische Herausforderungen dar. Die direkte Integration hochauflösender (HF) Turbulenzmodelle (z. B. Reynolds-gemittelte Navier-Stokes-Gleichungen, RANS) in den Optimierungsloop ist aufgrund der Nichtlinearität der Turbulenz, der Notwendigkeit extrem feiner Gitter und numerischer Instabilität rechnerisch prohibitiv. Darüber hinaus haben bestehende TO-Studien für Zwei-Fluid-HXs sich vorwiegend auf laminare Strömungen oder Strömungen mit niedriger Reynolds-Zahl konzentriert, sodass die Optimierung turbulenter Strömungen weitgehend unbehandelt bleibt.

Methodik
Die Autoren schlagen ein Multifidelity-Topologieoptimierungsframework vor, das die Designsuche von der hochauflösenden Bewertung entkoppelt, um rechnerische Effizienz und Genauigkeit in Einklang zu bringen.

1. Niedrigauflösendes (LF) Optimierungsmodell:

   • Der Optimierungsprozess nutzt ein auf Darcy-Strömung basierendes Modell anstelle eines vollständigen Turbulenzmodells. Dieser Ansatz, der als „Ansatz des armen Mannes" bezeichnet wird, ersetzt die Navier-Stokes-Gleichungen durch die Darcy-Gleichungen, die linear, rechnerisch kostengünstig und numerisch stabil sind.
   • Ein einzelnes Designvariablenfeld ($\gamma$) repräsentiert die Verteilung von drei Phasen: Fluid 1, Fluid 2 und die feste Wand.
   • Interpolationsschemata: Die Permeabilität für jedes Fluid wird unter Verwendung von RAMP-Funktionen interpoliert, um sicherzustellen, dass im Bereich der festen Wand (intermediäre $\gamma$-Werte) die Permeabilität ausreichend niedrig ist, um eine Fluidmischung zu verhindern. Die Wärmeleitfähigkeit wird unter Verwendung einer Gauß-Funktion interpoliert, um einen glatten Übergang zwischen den Eigenschaften von Fluid und Feststoff zu gewährleisten.
   • Kalibrierung: Um Diskrepanzen zwischen dem vereinfachten Darcy-Modell und der Realität zu mildern, werden die LF-Modellparameter (maximale Permeabilität und Schärfe der Wärmeleitfähigkeit) gegen ein Referenz-HF-Modell für eine gerade Rohrkonfiguration kalibriert. Diese Kalibrierung stimmt die Vorhersagen des LF-Modells für Druckverlust und Temperaturdifferenz mit dem HF-Modell überein.

2. Multifidelity-Strategie:

   • Anstatt eine einzelne Optimierung durchzuführen, setzt das Framework eine Strategie mit Startparametern (Seeding Parameter) ein. Es werden mehrere unabhängige Optimierungen mit dem kalibrierten LF-Modell durchgeführt, wobei Einlassgeschwindigkeiten und Kompromissparameter (Abwägung zwischen Wärmeübertragung und Druckverlust) variiert werden, um eine diverse Reihe von Kandidatendesigns zu generieren.
   • Hochauflösende (HF) Bewertung: Die aus dem LF-Prozess extrahierten optimierten Designs werden unter Verwendung eines auf RANS basierenden HF-Modells (speziell das $k-\omega$-Turbulenzmodell mit Wandfunktionen) bewertet. Dieser Schritt erfolgt außerhalb des Optimierungsloops.
   • Auswahl: Das HF-Modell bewertet die Leistung aller Kandidaten basierend auf dem Performance Evaluation Criterion (PEC), das den gesamten Wärmeübergangskoeffizienten gegen den Druckverluststrafe normalisiert. Das am besten performende Design wird auf Basis dieser genauen Bewertungen ausgewählt.

3. Numerische Implementierung:

   • Das LF-Modell wird mit COMSOL Multiphysics unter Verwendung eines Dichtefilters und einer Heaviside-Projektion gelöst, um klare Fluid-Feststoff-Grenzen sicherzustellen.
   • Die HF-Bewertung nutzt körperangepasste Gitter, die aus den optimierten Designvariablen generiert werden, wobei das $k-\omega$-Modell für die Turbulenz verwendet wird und die Ergebnisse gegen empirische Korrelationen (Dittus-Boelter, Blasius und Manglik & Bergles für Drallbänder) validiert werden.

Hauptbeiträge

• Framework-Entwicklung: Die Studie etabliert ein Multifidelity-TO-Framework speziell für Zwei-Fluid-turbulente Wärmetauscher und schließt die Lücke in der bestehenden Literatur, die sich weitgehend auf laminare Strömungen oder Ein-Fluid-Systeme konzentriert.
• Kalibrierungsstrategie: Eine neuartige Kalibrierungsstrategie wird eingeführt, um das auf Darcy basierende LF-Modell mit RANS-basierten HF-Antworten in Zwei-Fluid-turbulenten Szenarien in Einklang zu bringen, was die Konsistenz der Druckverlust- und Temperaturvorhersagen verbessert.
• Quantitative Validierung: Die Arbeit bietet einen rigorosen quantitativen Vergleich zwischen den optimierten Designs und einem konventionellen Referenzdesign (glattes Rohr mit Dralleinbau) über einen weiten Bereich von Reynolds-Zahlen (bis zu 13.000).

Ergebnisse

• Designgenerierung: Das LF-Modell generierte erfolgreich diverse, komplexe Wandstrukturen, die die Fluidmischung fördern und die Wärmeaustauschfläche erhöhen, während gleichzeitig strömungsgünstige Pfade erhalten bleiben.
• Leistungsverbesserung: Im Vergleich zum Referenzrohr mit glatter Wand erzielten die optimierten Designs Verbesserungen des gesamten Wärmeübergangskoeffizienten von bis zu 66,7 %.
• PEC-Verbesserung: Im Vergleich zum Referenzdesign mit Drallband (einer Standardverstärkungstechnik) erzielten die optimierten Designs bis zu 22 % höhere Werte für das Performance Evaluation Criterion (PEC). Dies zeigt, dass die optimierten Geometrien eine überlegene Verbesserung des Wärmeübergangs im Verhältnis zur Druckverluststrafe bieten.
• Modellabweichungen: Es wurde festgestellt, dass das LF-Modell Temperaturverteilungen vernünftig vorhersagt, jedoch dazu neigte, Druckverluste zu unterschätzen (mittlerer Fehler ~72 % für Fluid 1) aufgrund des Fehlens von viskoser Scherung und Turbulenzmodellierung. Der Multifidelity-Ansatz kompensierte dies jedoch effektiv, indem er Kandidaten durch das HF-Modell filterte.
• Robustheit: Designs, die bei höheren Reynolds-Zahlen optimiert wurden (z. B. Re = 13.000), zeigten Robustheit und behielten hohe PEC-Werte über einen weiten Bereich von Betriebsbedingungen bei.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass der vorgeschlagene Multifidelity-Ansatz die rechnerischen Barrieren effektiv überwindet, die mit der Optimierung von Zwei-Fluid-Wärmetauschern unter turbulenten Bedingungen verbunden sind. Durch die Nutzung eines rechnerisch günstigen Darcy-Modells für die Suchphase und eines hochauflösenden RANS-Modells für die Bewertungsphase ermöglicht die Methode die Entdeckung von Hochleistungs-Konfigurationen, die mit einer direkten Optimierung unter Verwendung von Turbulenzmodellen nicht gefunden werden könnten.

Die Autoren betonen, dass die optimierten Konfigurationen konventionelle Dralleinbauten übertreffen, insbesondere hinsichtlich des Kompromisses zwischen Wärmeübertragung und Druckverlust. Die Studie kommt zu dem Schluss, dass das auf Darcy basierende LF-Modell zwar Einschränkungen bei der Vorhersage absoluter Druckverluste hat, das Multifidelity-Framework jedoch eine gangbare und effektive Strategie für das Design von Hochleistungs-Doppelrohr-Wärmetauschern darstellt und das Potenzial dieses Ansatzes für komplexe turbulente thermische Fluidprobleme aufzeigt. Die Arbeit erkennt Einschränkungen an, wie die manuelle Auswahl von Startparametern und das Fehlen von Fertigungsbeschränkungen in der aktuellen Studie, und schlägt zukünftige Richtungen hin zu datengesteuerter Automatisierung und der Einbeziehung von Herstellbarkeitsbeschränkungen vor.