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
Cette étude développe un cadre fondé sur les données intégrant des modèles d'apprentissage automatique, l'intelligence artificielle explicable et l'optimisation multi-objectif pour prédire et optimiser la performance thermo-hydraulique d'échangeurs de chaleur tubulaires équipés d'inserts de rubans torsadés à doubles perforations avec ailettes en V à swirl coaxial ou contre-rotatif.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde moderne, la demande d'énergie croît plus rapidement que jamais, poussant les ingénieurs à trouver des moyens plus intelligents de déplacer la chaleur d'un endroit à un autre. Au cœur de ce défi se trouvent les échangeurs de chaleur, les travailleurs de l'ombre de l'industrie qui transfèrent l'énergie thermique entre des fluides sans qu'ils ne se mélangent. Pour rendre ces dispositifs plus efficaces, les scientifiques utilisent souvent des techniques passives, qui consistent à ajouter des structures physiques à l'intérieur des tuyaux pour agiter le fluide. Une méthode courante consiste à insérer un ruban torsadé, une bande de métal qui s'enroule en spirale sur toute la longueur du tube. Lorsque le fluide s'écoule sur cette spirale, il est forcé de tourbillonner, ce qui brise la fine couche de fluide stagnant qui colle à la paroi du tuyau et permet à la chaleur de s'échapper beaucoup plus vite. Cependant, cette action de tourbillonnement crée une friction, qui agit comme un frein sur l'écoulement, nécessitant plus d'énergie pour pomper le fluide à travers le système. L'objectif des ingénieurs est de toujours trouver l'équilibre parfait : obtenir le maximum de transfert de chaleur tout en utilisant le moins d'énergie possible pour surmonter cette friction.
Une équipe de chercheurs de l'Institut de technologie de Dehradun et de l'Université de Sankalchand Patel a abordé cet équilibre délicat en combinant des expériences physiques avec un apprentissage informatique avancé. Ils se sont concentrés sur un type spécifique d'insert appelé ruban torsadé double perforé avec des ailettes en V. Imaginez un ruban métallique torsadé en spirale, mais celui-ci possède deux couches et de petits trous percés pour laisser passer une partie du fluide, réduisant ainsi la traînée. Le long des bords de ce ruban, ils ont ajouté de petites ailettes en forme de V qui dépassent comme de minuscules ailes. Ces ailes étaient disposées de deux manières différentes : soit en spiralant toutes deux dans la même direction, soit en spiralant dans des directions opposées. Les chercheurs voulaient voir comment ces formes spécifiques se comportaient sous différentes vitesses d'écoulement et comment elles pouvaient être optimisées pour économiser de l'énergie.
Pour comprendre le comportement de ces inserts, l'équipe a construit un long tube transparent et y a fait circuler de l'air à diverses vitesses, simulant les conditions rencontrées dans les systèmes industriels réels. Ils ont testé l'écoulement de l'air à des vitesses correspondant à une plage spécifique de turbulence, allant d'environ 10 400 à 22 800 sur une échelle utilisée pour mesurer l'intensité du flux. Ils ont également varié la serrage de la torsion du ruban, testant des ratios où le ruban effectuait un tour complet tous les 2, 4 ou 6 unités de longueur. Pour chaque test, ils ont mesuré l'efficacité du transfert de chaleur, la vitesse à laquelle l'air ralentissait à cause de la friction et la quantité d'énergie gaspillée sous forme de désordre, appelée entropie. Ils ont ensuite injecté toutes ces données dans un système informatique utilisant plusieurs modèles d'apprentissage automatique pour apprendre les schémas. Ces modèles agissaient comme des étudiants hautement entraînés, étudiant les résultats expérimentaux pour prédire comment le système se comporterait dans des situations qu'ils n'avaient jamais rencontrées auparavant.
Les résultats ont montré que la conception spécifique de l'insert importait énormément. Le ruban torsadé double avec les ailes en V, surtout lorsque les deux spirales tourbillonnent dans des directions opposées, a produit le meilleur transfert de chaleur. Cette configuration crée de puissants mouvements de tourbillonnement qui mélangent l'air en profondeur, extrayant la chaleur des parois du tube bien plus efficacement que les tubes simples ou les inserts plus basiques. Cependant, cette haute performance avait un coût : la friction était également plus élevée, ce qui signifie que l'air rencontrait plus de résistance. Les chercheurs ont découvert qu'en ajustant le rapport de torsion, ils pouvaient influencer ce compromis. Une torsion plus serrée améliorait généralement le transfert de chaleur mais augmentait la friction, tandis qu'une torsion plus lâche réduisait la friction mais offrait moins d'échange thermique. L'étude a identifié que la version avec les ailettes en V et l'orientation de contre-rotation atteignait l'efficacité globale la plus élevée, améliorant les performances du système d'environ 16 % par rapport aux autres configurations lorsque la vitesse d'écoulement augmentait.
Pour donner du sens à ces relations complexes, les chercheurs ont utilisé une technique appelée intelligence artificielle explicable. Au lieu de simplement laisser l'ordinateur donner un chiffre, ils ont demandé au modèle d'expliquer quels facteurs étaient les plus importants. L'analyse a confirmé que la vitesse de l'air et la forme spécifique du ruban étaient les forces dominantes dictant les résultats. Les modèles informatiques, particulièrement un appelé Least Squares Support Vector Machine et un autre appelé XGBoost, se sont révélés incroyablement précis, prédisant les valeurs de transfert de chaleur et de friction avec une fiabilité de près de 99 %. Cela signifie que les ingénieurs peuvent désormais utiliser ces modèles numériques pour prédire comment un nouvel échangeur de chaleur se comportera sans avoir à construire et tester chaque prototype physique, économisant ainsi un temps et des ressources considérables.
Enfin, l'équipe a utilisé un outil d'optimisation sophistiqué pour trouver les conditions de fonctionnement idéales. Puisque l'amélioration du transfert de chaleur aggrave souvent la friction, il n'existe pas un réglage unique « parfait » qui maximise l'un tout en minimisant l'autre. Au lieu de cela, l'ordinateur a généré une liste des meilleurs compromis possibles, connue sous le nom de front de Pareto. Ces solutions offrent aux ingénieurs un menu de choix : l'un peut privilégier un transfert de chaleur maximal pour un système compact, tandis qu'un autre peut privilégier une consommation d'énergie plus faible pour un système où les coûts de pompage sont élevés. L'étude a conclu qu'en utilisant ces outils basés sur les données, il est possible de concevoir des échangeurs de chaleur qui sont non seulement plus efficaces pour déplacer la chaleur, mais aussi plus efficaces dans leur utilisation de l'énergie, répondant ainsi au besoin critique d'une meilleure gestion thermique dans un monde qui consomme des quantités croissantes de puissance.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.