⚡ electrical engineering

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

Este estudio desarrolla un marco basado en datos que integra modelos de aprendizaje automático, inteligencia artificial explicable y optimización multiobjetivo para predecir y optimizar el desempeño termo-hidráulico de intercambiadores de calor tubulares equipados con insertos de cinta retorcida de doble perforación con winglets en V de flujo de remolino co- y contra-rotatorio.

Autores originales: Bipin Kumar, Himani Sharma, Anil Kumar Patil, Manoj Kumar

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Bipin Kumar, Himani Sharma, Anil Kumar Patil, Manoj Kumar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo moderno, la demanda de energía crece más rápido que nunca, impulsando a los ingenieros a encontrar formas más inteligentes de mover el calor de un lugar a otro. En el corazón de este desafío se encuentran los intercambiadores de calor, los incansables caballos de batalla de la industria que transfieren energía térmica entre fluidos sin permitir que se mezclen. Para hacer que estos dispositivos sean más eficientes, los científicos suelen utilizar técnicas pasivas, que consisten en añadir estructuras físicas dentro de las tuberías para agitar el fluido. Un método común es insertar una cinta retorcida, una tira de metal que se espirala a lo largo del tubo. A medida que el fluido fluye sobre esta espiral, se ve obligado a girar, lo que rompe la delgada capa de fluido estancado que se adhiere a la pared del tubo y permite que el calor escape mucho más rápido. Sin embargo, esta acción de giro crea fricción, que actúa como un freno en el flujo, requiriendo más energía para bombear el fluido a través de él. El objetivo de los ingenieros es siempre encontrar el equilibrio perfecto: obtener la mayor transferencia de calor posible utilizando la menor cantidad de energía para superar esa fricción.

Un equipo de investigadores del Instituto de Tecnología de Dehradun y la Universidad de Sankalchand Patel ha abordado este acto de equilibrio combinando experimentos físicos con aprendizaje computacional avanzado. Se centraron en un tipo específico de inserto llamado cinta retorcida de doble perforación con V-winglets (alerones en forma de V). Imagine una cinta de metal retorcida en una espiral, pero esta tiene dos capas y pequeños agujeros perforados para dejar pasar parte del fluido, reduciendo la resistencia. A lo largo de los bordes de esta cinta, añadieron pequeñas aletas en forma de V que sobresalen como diminutas alas. Estas alas se dispusieron de dos maneras diferentes: o ambas espiralaban en la misma dirección, o espiralaban en direcciones opuestas. Los investigadores querían ver cómo se desempeñaban estas formas específicas bajo diferentes velocidades de flujo y cómo podían optimizarse para ahorrar energía.

Para comprender el comportamiento de estos insertos, el equipo construyó un tubo de prueba largo y transparente y pasó aire a través de él a diversas velocidades, simulando las condiciones encontridas en sistemas industriales reales. Probaron el flujo de aire a velocidades correspondientes a un rango específico de turbulencia, desde aproximadamente 10,400 hasta 22,800 en una escala utilizada para medir la intensidad del flujo. También variaron la estrechez del giro de la cinta, probando relaciones donde la cinta daba una vuelta completa cada 2, 4 o 6 unidades de longitud. Para cada prueba, midieron qué tan bien se movía el calor, cuánto frenaba el aire debido a la fricción y cuánta energía se desperdiciaba como desorden, conocido como entropía. Luego, introdujeron todos estos datos en un sistema informático que utilizó varios modelos de aprendizaje automático para aprender los patrones. Estos modelos actuaron como estudiantes altamente capacitados, estudiando los resultados experimentales para predecir cómo se comportaría el sistema en situaciones que nunca habían visto antes.

Los resultados mostraron que el diseño específico del inserto importaba inmensamente. La cinta retorcida doble con las alas en forma de V, especialmente cuando las dos espirales giraban en direcciones opuestas, produjo la mejor transferencia de calor. Esta configuración creó movimientos de giro fuertes que mezclaban el aire a fondo, extrayendo el calor de las paredes del tubo de manera mucho más efectiva que los tubos lisos o los insertos más simples. Sin embargo, este alto rendimiento tuvo un costo: la fricción también era mayor, lo que significa que el aire enfrentaba más resistencia. Los investigadores descubrieron que, al ajustar la relación de giro, podían influir en este intercambio. Un giro más apretado generalmente mejoraba la transferencia de calor pero aumentaba la fricción, mientras que un giro más holgado reducía la fricción pero ofrecía menos intercambio de calor. El estudio identificó que la versión con V-winglets y orientación de giro opuesto logró la mayor eficiencia general, mejorando el rendimiento del sistema en aproximadamente un 16 por ciento en comparación con otras configuraciones cuando la velocidad del flujo aumentaba.

Para dar sentido a estas relaciones complejas, los investigadores utilizaron una técnica llamada inteligencia artificial explicable. En lugar de simplemente dejar que la computadora diera un número, le pidieron al modelo que explicara qué factores eran más importantes. El análisis confirmó que la velocidad del aire y la forma específica de la cinta eran las fuerzas dominantes que impulsaban los resultados. Los modelos computacionales, particularmente uno llamado Máquina de Vectores de Soporte de Mínimos Cuadrados (Least Squares Support Vector Machine) y otro llamado XGBoost, demostraron ser increíblemente precisos, prediciendo los valores de transferencia de calor y fricción con una confiabilidad de casi el 99 por ciento. Esto significa que los ingenieros ahora pueden usar estos modelos digitales para predecir cómo funcionará un nuevo intercambiador de calor sin tener que construir y probar cada prototipo físico individual, ahorrando tiempo y recursos significativos.

Finalmente, el equipo utilizó una herramienta de optimización sofisticada para encontrar las condiciones operativas ideales. Dado que mejorar la transferencia de calor a menudo empeora la fricción, no existe una única configuración "perfecta" que maximice una mientras minimiza la otra. En su lugar, la computadora generó una lista de los mejores compromisos posibles, conocidos como frente de Pareto. Estas soluciones ofrecen a los ingenieros un menú de opciones: una podría priorizar la máxima transferencia de calor para un sistema compacto, mientras que otra podría priorizar un menor consumo de energía para un sistema donde los costos de bombeo son altos. El estudio concluyó que, mediante el uso de estas herramientas basadas en datos, es posible diseñar intercambiadores de calor que no solo sean más efectivos para mover el calor, sino también más eficientes en su uso de energía, abordando la necesidad crítica de una mejor gestión térmica en un mundo que consume cantidades crecientes de potencia.

Resumen Técnico: Regresión Basada en Aprendizaje Automático y Optimización Multiobjetivo del Rendimiento Termohidráulico en un Intercambiador de Calor Tubular con Insertos de Cinta Retorcida con V-Winglets en Configuración Co-rotacional y Contra-rotacional

Planteamiento del Problema
Los sistemas de energía modernos exigen mejoras continuas en la eficiencia de los intercambiadores de calor para satisfacer el creciente consumo energético. Si bien las técnicas de mejora de la transferencia de calor pasiva, como los insertos de cinta retorcida, se utilizan ampliamente para promover la mezcla de fluidos y la turbulencia, estas aumentan inherentemente las pérdidas por fricción. Específicamente, los turbuladores de cinta retorcida con doble perforación (DPTT) con configuraciones de V-winglet en orientaciones de giro co-rotacional (CO) y contra-rotacional (COT) ofrecen una mejora significativa en la transferencia de calor, pero introducen compromisos termohidráulicos complejos. La literatura existente carece a menudo de marcos de optimización sistemáticos que integren el rendimiento exergético (generación de entropía), el análisis de exergía avanzado y el aprendizaje automático (ML) para predecir y optimizar estas configuraciones. El desafío radica en equilibrar la mejora de la transferencia de calor (número de Nusselt, factor de rendimiento térmico) frente a las penalizaciones por caída de presión (factor de fricción) y la irreversibilidad termodinámica (generación de entropía) a través de diversos números de Reynolds y parámetros geométricos.

Metodología
El estudio emplea un marco integral basado en datos que combina la investigación experimental, el aprendizaje automático de múltiples modelos, la inteligencia artificial explicable (XAI) y la optimación multiobjetivo.

Configuración Experimental:
- Se utilizó un tubo cilíndrico de 3 metros de largo (0.032 m de diámetro interno) con un soplador centrífugo para extraer aire atmosférico.
- El calor se suministró uniformemente mediante un elemento calefactor envuelto alrededor de la superficie exterior.
- Parámetros: El número de Reynolds ( $Re$ ) osciló entre 10,400 y 22,800. La relación de torsión ( $y$ ) varió de 2 a 6.
- Insertos: Se probaron diversas geometrías, incluyendo cintas retorcidas sólidas (STT), cintas perforadas (PTT), cintas retorcidas dobles (DSTT) y cintas retorcidas con doble perforación (DPTT) con V-winglets en ambas orientaciones CO y COT. Las relaciones de profundidad y ancho de los winglets se fijaron en 0.2, con una relación de porosidad de 0.045.
- Mediciones: Se recolectaron datos de estado estacionario para temperaturas de pared, temperaturas de entrada/salida de aire y caídas de presión para calcular el número de Nusselt ( $Nu$ ), el factor de fricción ( $f$ ), el factor de rendimiento térmico ( $\eta$ ) y el número de generación de entropía ( $N_s$ ).
Marco de Aprendizaje Automático:
- Preprocesamiento de Datos: El conjunto de datos fue sometido a limpieza, codificación categórica (codificación one-hot para tipos de cinta) y normalización z-score. Se utilizó una división de entrenamiento-prueba de 80:20 con validación cruzada de 5 pliegues (5-fold).
- Modelos: Se entrenaron y evaluaron cinco modelos de regresión: Regresión Lineal Múltiple (MLR), Bosque Aleatorio (RF), Red Neuronal Artificial (ANN), Extreme Gradient Boosting (XGBoost) y Máquina de Vectores de Soporte de Mínimos Cuadrados (LS-SVM).
- Interpretabilidad: Se aplicaron las explicaciones SHapley Additive exPlanations (SHAP) para cuantificar las contribuciones de las características y asegurar la consistencia física con las teorías de termofluidos.
Optimización:
- Se formuló un problema de optimización multiobjetivo utilizando el Algoritmo Genético de Clasificación No Dominada II (NSGA-II).
- Objetivos: Maximizar $Nu$ y $\eta$ ; Minimizar $f$ y $N_s$ .
- Modelado de Sustituto: Los modelos de ML entrenados sirvieron como predictores sustitutos dentro del bucle NSGA-II para identificar soluciones de Pareto óptimas, evitando el alto costo computacional de las simulaciones directas de CFD.

Resultados Clave

Rendimiento Experimental:
- Transferencia de Calor: El número de Nusselt aumentó con $Re$ para todas las configuraciones. El DPTT con V-winglets, particularmente en la orientación de giro contra-rotacional (COT), demostró la mayor mejora en la transferencia de calor.
- Fricción: La geometría DPTT con V-winglet exhibió el factor de fricción más alto. Sin embargo, se encontró que las perforaciones reducen la fricción en comparación con las cintas sólidas, y aumentar la relación de torsión de 2 a 6 generalmente redujo el factor de fricción.
- Rendimiento Térmico: El DPTT-COT con V-winglets alcanzó el factor de rendimiento térmico ( $\eta$ ) más alto, alcanzando un valor máximo de 1.82. Esta geometría mostró un aumento del 16.4% en $\eta$ a medida que $Re$ varió de 10,400 a 22,800.
- Generación de Entropía: El DPTT-COT con V-winglets a una relación de torsión de $y=6$ demostró la mínima generación de entropía, indicando la configuración termodinámicamente más eficiente entre las probadas.
Rendimiento del Aprendizaje Automático:
- Entre los cinco modelos, LS-SVM y XGBoost demostraron la mayor precisión predictiva, mostrando una alta exactitud en la predicción de los parámetros clave ( $Nu$ , $f$ , $\eta$ y $N_s$ ).
- Los diagramas de paridad, las curvas de Característica de Error de Regresión (REC) y la validación cruzada confirmaron las capacidades de robustez y generalización de estos modelos.
- El análisis SHAP validó la consistencia física, confirmando que los números de Reynolds más altos contribuyeron positivamente al número de Nusselt y que las modificaciones geométricas influyeron en la transferencia de calor de manera distinta a través de los regímenes de flujo.
Resultados de la Optimización:
- El algoritmo NSGA-II generó con éxito un frente de Pareto de soluciones óptimas. Estas soluciones proporcionan una curva de compromiso que permite a los ingenieros seleccionar las condiciones de operación que equilibren la máxima transferencia de calor frente a las mínimas pérdidas por fricción y generación de entropía.

Significancia y Reivindicaciones
El artículo afirma presentar un marco unificado basado en datos que cierra la brecha entre los datos experimentales termohidráulicos y la optimización avanzada. Su principal significancia radica en:

Optimización Sistemática: Ir más allá de las simples métricas de rendimiento para integrar la generación de entropía y la optimización multiobjetivo en el diseño de cintas retorcidas.
Predicción de Alta Precisión: Demostrar que LS-SVM y XGBoost pueden modelar comportaciones termohidráulicas complejas y no lineales con alta precisión, superando la regresión lineal tradicional.
Explicabilidad: Utilizar SHAP para asegurar que la naturaleza de "caja negra" de los modelos de aprendizaje automático sea transparente y esté alineada con las leyes físicas, aumentando así la confiabilidad de las predicciones.
Utilidad de Diseño: Proporcionar un conjunto de soluciones de Pareto óptimas que ofrecen opciones de diseño flexibles para los intercambiadores de calor, permitiendo a los ingenieros priorizar criterios de rendimiento específicos (por ejemplo, máxima transferencia de calor frente a mínima caída de presión) basados en restricciones del mundo real.

El estudio concluye que la integración de cintas retorcidas con V-winglets y perforaciones en arreglos de giro contra-rotacional, optimizados mediante ML y NSGA-II, ofrece una vía viable para mejorar la eficiencia de los intercambiadores de calor mientras se gestiona la irreversibilidad termodinámica.

Más como este