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
यह अध्ययन को-स्विरल (co-swirl) और काउंटर-स्विरल (counter-swirl) वी-विंगलेट (V-winglet) डबल परफोरेटेड ट्विस्टेड टेप इनसर्ट्स से सुसज्जित ट्यूबलर हीट एक्सचेंजर्स के थर्मो-हाइड्रोलिक प्रदर्शन की भविष्यवाणी करने और अनुकूलित करने के लिए मशीन लर्निंग मॉडल, व्याख्या योग्य एआई (explainable AI), और मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन को एकीकृत करने वाला एक डेटा-संचालित ढांचा विकसित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक दुनिया में, ऊर्जा की मांग पहले से कहीं अधिक तेजी से बढ़ रही है, जो इंजीनियरों को गर्मी को एक स्थान से दूसरे स्थान पर ले जाने के स्मार्ट तरीके खोजने के लिए प्रेरित कर रही है। इस चुनौती के केंद्र में हीट एक्सचेंजर्स (ऊष्मा विनिमय) हैं, जो उद्योग के अनसुने कार्यबल हैं जो तरल पदार्थों को आपस में मिले बिना उनके बीच तापीय ऊर्जा को स्थानांतरित करते हैं। इन उपकरणों को अधिक कुशल बनाने के लिए, वैज्ञानिक अक्सर निष्क्रिय तकनीकों (पैसेव तकनीकों) का उपयोग करते हैं, जिसमें पाइप के अंदर तरल को हिलाने के लिए भौतिक संरचनाएं जोड़ना शामिल है। एक सामान्य विधि में ट्विस्टेड टेप (मुड़ा हुआ टेप) डालना है, जो एक धातु की पट्टी है जो ट्यूब की लंबाई में नीचे की ओर सर्पिल आकार में घूमती है। जैसे ही तरल इस सर्पिल के ऊपर से बहता है, इसे घूमने के लिए मजबूर किया जाता है, जो पाइप की दीवार से चिपकी हुई स्थिर तरल की पतली परत को तोड़ देता है और गर्मी को बहुत तेज़ी से बाहर निकलने की अनुमति देता है। हालांकि, यह घूमती हुई क्रिया घर्षण पैदा करती है, जो प्रवाह पर ब्रेक की तरह काम करती है, जिससे तरल को पंप करने के लिए अधिक ऊर्जा की आवश्यकता होती है। इंजीनियरों का लक्ष्य हमेशा एक आदर्श संतुलन बनाना होता है: जितना संभव हो सके उतना अधिक ऊष्मा स्थानांतरण प्राप्त करना जबकि उस घर्षण को दूर करने के लिए कम से कम ऊर्जा का उपयोग करना।
देहरादून इंस्टीट्यूट ऑफ टेक्नोलॉजी और सनकलचंद पटेल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने भौतिक प्रयोगों को उन्नत कंप्यूटर लर्निंग के साथ जोड़कर इस संतुलन कार्य को हल किया है। उन्होंने 'डबल परफोरेटेड ट्विस्टेड टेप विद वी-विंगलेट्स' (V-winglets के साथ दोहरी छिद्रित मुड़ी हुई टेप) नामक एक विशिष्ट प्रकार के इंसर्ट पर ध्यान केंद्रित किया। एक धातु की रिबन की कल्पना करें जो एक सर्पिल में मुड़ा हुआ है, लेकिन इसमें दो परतें हैं और कुछ तरल को गुजरने देने के लिए इसमें छोटे छेद किए गए हैं, जिससे खिंचाव (ड्रैग) कम हो जाता है। इस रिबन के किनारों पर, उन्होंने छोटे, वी-आकार के पंख (फिन्स) जोड़े हैं जो छोटे पंखों की तरह बाहर निकले हुए हैं। ये पंख दो अलग-अलग तरीकों से व्यवस्थित थे: या तो दोनों एक ही दिशा में सर्पिल घूम रहे थे या विपरीत दिशाओं में। शोधकर्ता यह देखना चाहते थे कि ये विशिष्ट आकार विभिन्न प्रवाह गतियों के तहत कैसा प्रदर्शन करते हैं और उन्हें ऊर्जा बचाने के लिए कैसे अनुकूलित किया जा सकता है।
इन इंसर्ट्स के व्यवहार को समझने के लिए, टीम ने एक लंबी, पारदर्शी परीक्षण ट्यूब बनाई और वास्तविक औद्योगिक प्रणालियों में पाई जाने वाली स्थितियों का अनुकरण करते हुए इसमें हवा चलाई। उन्होंने हवा के प्रवाह का परीक्षण प्रवाह तीव्रता को मापने के लिए उपयोग किए जाने वाले पैमाने पर लगभग 10,400 से 22,800 के टर्बुलेंस रेंज के अनुरूप विभिन्न गतियों पर किया। उन्होंने टेप के घुमाव के कसाव को भी बदला, उन अनुपातों का परीक्षण किया जहाँ टेप लंबाई की प्रत्येक 2, 4, या 6 इकाइयों में एक पूर्ण चक्कर लगाता है। प्रत्येक परीक्षण के लिए, उन्होंने मापा कि ऊष्मा कितनी अच्छी तरह स्थानांतरित हुई, घर्षण के कारण हवा कितनी धीमी हुई, और कितनी ऊर्जा अव्यवस्था (एन्ट्रॉपी) के रूप में बर्बाद हुई। फिर उन्होंने इस सभी डेटा को एक कंप्यूटर सिस्टम में फीड किया जिसने कई अलग-अलग मशीन लर्निंग मॉडल्स का उपयोग करके पैटर्न को सीखा। ये मॉडल अत्यधिक प्रशिक्षित छात्रों की तरह कार्य करते थे, जो प्रायोगिक परिणामों का अध्ययन करते हैं ताकि वे उन स्थितियों में व्यवहार की भविष्यवाणी कर सकें जिन्हें उन्होंने पहले कभी नहीं देखा है।
परिणामों ने दिखाया कि इंसर्ट का विशिष्ट डिज़ाइन बहुत मायने रखता है। वी-आकार के पंखों वाला डबल ट्विस्टेड टेप, विशेष रूप से जब दो सर्पिल विपरीत दिशाओं में घूमते हैं, सबसे अच्छा ऊष्मा स्थानांतरण प्रदान करता है। इस विन्यास ने मजबूत घूमने वाली गति पैदा की जो हवा को पूरी तरह से मिश्रित करती है, जिससे साधारण ट्यूबों या सरल इंसर्ट की तुलना में ट्यूब की दीवारों से गर्मी को बहुत अधिक प्रभावी ढंग से खींचा जाता है। हालांकि, इस उच्च प्रदर्शन की एक कीमत भी थी: घर्षण भी अधिक था, जिसका अर्थ है कि हवा को अधिक प्रतिरोध का सामना करना पड़ा। शोधकर्ताओं ने पाया कि ट्विस्ट अनुपात को समायोजित करके, वे इस आपसी समझौते (ट्रेड-ऑफ) को प्रभावित कर सकते हैं। एक कड़ा घुमाव आम तौर पर ऊष्मा स्थानांतरण में सुधार करता है लेकिन घर्षण बढ़ाता है, जबकि एक ढीला घुमाव घर्षण को कम करता है लेकिन ऊष्मा विनिमय कम प्रदान करता है। अध्ययन ने पहचाना कि वी-विंगलेट्स और काउंटर-सर्लिंग ओरिएंटेशन वाले संस्करण ने उच्चतम समग्र दक्षता प्राप्त की, जिसने प्रवाह की गति बढ़ने पर अन्य सेटअपों की तुलना में सिस्टम के प्रदर्शन में लगभग 16 प्रतिशत का सुधार किया।
इन जटिल संबंधों को समझने के लिए, शोधकर्ताओं ने 'एक्सप्लेनेबल आर्टिफिशियल इंटेलिजेंस' नामक तकनीक का उपयोग किया। केवल कंप्यूटर द्वारा संख्या देने के बजाय, उन्होंने मॉडल से पूछा कि कौन से कारक सबसे महत्वपूर्ण थे। विश्लेषण ने पुष्टि की कि हवा की गति और टेप का विशिष्ट आकार परिणामों को चलाने वाले प्रमुख बल थे। कंप्यूटर मॉडल, विशेष रूप से 'लीस्ट स्क्वायर्स सपोर्ट वेक्टर मशीन' और 'XGBoost' नामक मॉडल, अविश्वसनीय रूप से सटीक साबित हुए, जिन्होंने लगभग 99 प्रतिशत की विश्वसनीयता के साथ ऊष्मा स्थानांतरण और घर्षण मानों की भविष्यवाणी की। इसका मतलब है कि इंजीनियर अब इन डिजिटल मॉडल्स का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि एक नया हीट एक्सचेंजर कैसा प्रदर्शन करेगा, बिना हर एक भौतिक प्रोटोटाइप को बनाए और परीक्षण किए, जिससे महत्वपूर्ण समय और संसाधनों की बचत होती है।
अंत में, टीम ने आदर्श परिचालन स्थितियों को खोजने के लिए एक परिष्कृत अनुकूलन उपकरण (ऑप्टिमाइजेशन टूल) का उपयोग किया। चूंकि ऊष्मा स्थानांतरण में सुधार अक्सर घर्षण को बिगाड़ देता है, इसलिए कोई एक एकल "परफेक्ट" सेटिंग नहीं है जो एक को अधिकतम और दूसरे को न्यूनतम करती है। इसके बजाय, कंप्यूटर ने सर्वोत्तम संभावित समझौतों की एक सूची तैयार की, जिसे 'पारेटो फ्रंट' (Pareto front) के रूप में जाना जाता है। ये समाधान इंजीनियरों को विकल्पों का एक मेनू प्रदान करते हैं: एक विकल्प एक कॉम्पैक्ट सिस्टम के लिए अधिकतम ऊष्मा स्थानांतरण को प्राथमिकता दे सकता है, जबकि दूसरा विकल्प उस सिस्टम के लिए कम ऊर्जा खपत को प्राथमिकता दे सकता है जहाँ पंपिंग लागत अधिक हो। अध्ययन ने निष्कर्ष निकाला कि इन डेटा-संचालित उपकरणों का उपयोग करके, हीट एक्सचेंजर्स को न केवल गर्मी स्थानांतरित करने में अधिक प्रभावी बल्कि ऊर्जा के उपयोग में भी अधिक कुशल डिजाइन करना संभव है, जो बढ़ती मात्रा में बिजली का उपभोग करने वाली दुनिया में बेहतर थर्मल प्रबंधन की महत्वपूर्ण आवश्यकता को संबोधित करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।