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
Diese Studie entwickelt ein datengesteuertes Framework, das maschinelle Lernmodelle, erklärbare KI und Multi-Objective-Optimierung integriert, um die thermo-hydraulische Leistung von Rohrwärmetauschern mit ko- und gegenläufigen Swirl-V-Winglet-doppelperforierten Twisted-Tape-Einsätzen vorherzusagen und zu optimieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen Welt wächst die Nachfrage nach Energie schneller als je zuvor, was Ingenieure dazu drängt, intelligentere Wege zu finden, um Wärme von einem Ort zum anderen zu transportieren. Das Herzstück dieser Herausforderung sind Wärmetauscher, die unbesungenen Arbeitspferde der Industrie, die thermische Energie zwischen Fluiden übertragen, ohne dass diese sich vermischen. Um diese Geräte effizienter zu machen, nutzen Wissenschaftler oft passive Techniken, bei denen physische Strukturen in die Rohre eingesetzt werden, um das Fluid aufzuwirbeln. Eine gängige Methode ist das Einsetzen eines verdrehten Bandes (Twisted Tape), eines Metallstreifens, der sich über die Länge des Rohres nach unten spiralisiert. Während das Fluid über diese Spirale fließt, wird es gezwungen, zu wirbeln, was die dünne Schicht stagnierender Flüssigkeit, die das Rohr umschließt, aufbricht und die Wärme wesentlich schneller entweichen lässt. Diese Wirbelbewegung erzeugt jedoch Reibung, die wie eine Bremse auf den Fluss wirkt und mehr Energie erfordert, um das Fluid durchzupumpen. Das Ziel für Ingenieure besteht immer darin, das perfekte Gleichgewicht zu finden: die größtmögliche Wärmeübertragung zu erreichen und dabei so wenig Energie wie möglich aufzuwenden, um diese Reibung zu überwinden.
Ein Forschungsteam des Dehradun Institute of Technology und der Sankalchand Patel University hat sich dieser Balanceaufgabe durch die Kombination von physikalischen Experimenten mit fortschrittlichem maschinellem Lernen gewidmet. Sie konzentrierten sich auf einen speziellen Typ von Einsatz namens doppelt perforiertem verdrehtem Band mit V-Winglets. Stellen Sie sich ein Metallband vor, das zu einer Spirale verdreht ist, aber dieses hier hat zwei Lagen und kleine Löcher, durch die etwas Fluid hindurchfließen kann, was den Widerstand verringert. Entlang der Kanten dieses Bandes fügten sie kleine, V-förmige Flossen hinzu, die wie winzige Flügel herausstehen. Diese Flügel waren auf zwei verschiedene Arten angeordnet: entweder spiralförmig in die gleiche Richtung oder in entgegengesetzte Richtungen. Die Forscher wollten sehen, wie diese spezifischen Formen unter verschiedenen Strömungsgeschwindigkeiten performen und wie sie optimiert werden können, um Energie zu sparen.
Um das Verhalten dieser Einsätze zu verstehen, baute das Team ein langes, klares Testrohr und leitete Luft in verschiedenen Geschwindigkeiten hindurch, um Bedingungen zu simulieren, wie sie in realen industriellen Systemen vorkommen. Sie testeten den Luftstrom bei Geschwindigkeiten, die einem spezifischen Bereich der Turbulenz entsprachen, etwa von 10.400 bis 22.800 auf einer Skala, die zur Messung der Strömungsintensität verwendet wird. Sie variierten auch die Enge der Verdrehung des Bandes und testeten Verhältnisse, bei denen das Band alle 2, 4 oder 6 Einheiten der Länge eine volle Drehung vollzieht. Für jeden Test maßen sie, wie gut die Wärme übertragen wurde, wie stark die Luft durch Reibung abgebremst wurde und wie viel Energie als Unordnung, bekannt als Entropie, verschwendet wurde. Sie speisten all diese Daten in ein Computersystem ein, das mehrere verschiedene Modelle des maschinellen Lernens nutzte, um die Muster zu erlernen. Diese Modelle fungierten wie hochtrainierte Schüler, die die experimentellen Ergebnisse studierten, um vorherzusagen, wie das System in Situationen reagieren würde, die sie noch nie gesehen hatten.
Die Ergebnisse zeigten, dass das spezifische Design des Einsatzes eine immense Bedeutung hatte. Das doppelt verdrehte Band mit den V-förmigen Flügeln, insbesondere wenn die beiden Spiralen in entgegengesetzte Richtungen gedreht waren, lieferte die beste Wärmeübertragung. Diese Konfiguration erzeugte starke Wirbelbewegungen, die die Luft gründlich durchmischten und Wärme weitaus effektiver von den Rohrwandungen wegzogen als einfache Rohre oder schlichtere Einsätze. Dieser hohe Leistungsgrad hatte jedoch einen Preis: Die Reibung war ebenfalls höher, was bedeutete, dass die Luft mehr Widerstand erfand. Die Forscher fanden heraus, dass sie durch die Anpassung des Verdrehungsverhältnisses diesen Kompromiss beeinflussen konnten. Eine engere Verdrehung verbesserte im Allgemeinen die Wärmeübertragung, erhöhte aber die Reibung, während eine lockerere Verdrehung die Reibung reduzierte, aber weniger Wärmeaustausch bot. Die Studie identifizierte, dass die Version mit den V-Winglets und der gegenläufigen Drehrichtung die höchste Gesamteffizienz erreichte und die Leistung des Systems um etwa 16 Prozent im Vergleich zu anderen Aufbauten verbesserte, wenn die Strömungsgeschwindigkeit erhöht wurde.
Um diese komplexen Beziehungen begreifbar zu machen, nutzten die Forscher eine Technik namens erklärbare künstliche Intelligenz (Explainable AI). Anstatt den Computer einfach nur eine Zahl ausgeben zu lassen, baten sie das Modell zu erklären, welche Faktoren am wichtigsten waren. Die Analyse bestätigte, dass die Geschwindigkeit der Luft und die spezifische Form des Bandes die dominierenden Kräfte waren, die die Ergebnisse vorantrieben. Die Computermodelle, insbesondere eine namens Least Squares Support Vector Machine und eine weitere namens XGBoost, erwiesen sich als unglaublich genau und sagten die Wärmeübertragungs- und Reibungswerte mit einer Zuverlässigkeit von fast 99 Prozent voraus. Dies bedeutet, dass Ingenieure nun diese digitalen Modelle nutzen können, um vorherzusagen, wie ein neuer Wärmetauscher performen wird, ohne jedes einzelne physische Prototyp bauen und testen zu müssen, was erheblich Zeit und Ressourcen spart.
Schließlich nutzte das Team ein ausgeklügeltes Optimierungswerkzeug, um die idealen Betriebsbedingungen zu finden. Da die Verbesserung der Wärmeübertragung oft die Reibung verschlechtert, gibt es keine einzelne „perfekte“ Einstellung, die das eine maximiert, während sie das andere minimiert. Stattdessen generierte der Computer eine Liste der bestmöglichen Kompromisse, bekannt als Pareto-Front. Diese Lösungen bieten Ingenieuren ein Menü an Auswahlmöglichkeiten: Eine Lösung könnte die maximale Wärmeübertragung für ein kompaktes System priorisieren, während eine andere die niedrigeren Energiekosten für ein System priorisiert, bei dem die Pumpkosten hoch sind. Die Studie kam zu dem Schluss, dass es durch den Einsatz dieser datengesteuerten Werkzeuge möglich ist, Wärmetauscher zu entwerfen, die nicht nur effektiver beim Wärmetransport, sondern auch effizienter in ihrem Energieverbrauch sind, womit der kritischen Notwendigkeit eines besseren Wärmemanagements in einer Welt, die immer größere Mengen an Energie verbraucht, Rechnung getragen wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.