Response Surface Methodology for Modelling and Multi-Objective Optimization of Fouling-Induceddegradation in Shell-and-Tube Heat Exchangers

तकनीकी सारांश: शेल-एंड-ट्यूब हीट एक्सचेंजर्स में फाउलिंग-प्रेरित क्षरण के मॉडलिंग और बहु-उद्देश्यीय अनुकूलन के लिए रिस्पांस सरफेस मेथोडोलॉजी (RSM)

समस्या विवरण
प्रक्रिया (process), पावर और रिफाइनिंग उद्योगों में शेल-एंड-ट्यूब हीट एक्सचेंजर्स (STHEs) महत्वपूर्ण संपत्तियां हैं, फिर भी वे फाउलिंग (स्केल/कणों का जमाव) और संक्षारण (corrosion) के कारण प्रगतिशील प्रदर्शन हानि से जूझते हैं। ये तंत्र तापीय प्रतिरोध (thermal resistance) को बढ़ाते हैं, समग्र ऊष्मा स्थानांतरण गुणांक ($U$) को कम करते हैं, और दबाव ड्रॉप ($\Delta P$) को बढ़ा देते हैं, जिससे ऊर्जा की हानि, अनियोजित सफाई और संभावित ट्यूब विफलता होती है। जबकि इनलेट तापमान, द्रव्यमान प्रवाह दर (mass flow rate) और परिचालन समय जैसे परिचालन स्थितियां इन क्षरण दरों को प्रभावित करती हैं, उनके संयुक्त, गैर-रैखिक (nonlinear) अंतर्संबंधों को अक्सर ठीक से समझा नहीं जाता है। मौजूदा साहित्य आमतौर पर फाउलिंग प्रतिरोध को अलग से मॉडल करता है या "ब्लैक-बॉक्स" मशीन लर्निंग दृष्टिकोणों पर निर्भर करता है जिनमें भौतिक व्याख्यात्मकता (physical interpretability) का अभाव होता है और जो तापीय, प्रदर्शन और हाइड्रोलिक उद्देश्यों को एक साथ अनुकूलित करने में विफल रहते हैं। इसके अलावा, बहुत कम अध्ययन ही एक ही सांख्यिकीय ढांचे के भीतर फाउलिंग और संक्षारण को एक संयुक्त क्षरण प्रक्रिया के रूप में संबोधित करते हैं।

कार्यप्रणाली
यह अध्ययन 5,000 अवलोकनों वाले एक सिम्युलेटेड परिचालन डेटासेट का उपयोग करके STHE क्षरण को मॉडल और अनुकूलित करने के लिए रिस्पांस सरफेस मेथोडोलॉजी (RSM) को नियोजित करता है। डेटासेट में 80 विशिष्ट परिचालन परिदृश्य शामिल हैं जिनमें इनलेट तापमान 44.88°C से 130.12°C तक, द्रव्यमान प्रवाह दर 3 से 7 kg/s तक, और परिचालन समय 8 से 8,759 घंटे तक है। इस नमूने में संक्षारण-प्रधान (2,729 अवलोकन) और फाउलिंग-प्रधान (2,271 अवलोकन) व्यवस्थाओं का मिश्रण शामिल है।

विश्लेषणात्मक वर्कफ़्लो एक आठ-चरणीय RSM प्रक्रिया का अनुसरण करता है:

1. चर चयन (Variable Selection): तीन नियंत्रणीय कारक (इनलेट तापमान, द्रव्यमान प्रवाह दर, परिचालन समय) और तीन प्रतिक्रियाएं ($R_f$, $U_{overall}$, और $\Delta P$) चुनी गईं।
2. कोडिंग (Coding): गुणांक तुलना और संख्यात्मक अनुकूलन को सुगम बनाने के लिए कारकों को एक आयामहीन [-1, +1] रेंज में पुनर्गठित किया गया।
3. मॉडल फिटिंग (Model Fitting): प्रत्येक प्रतिक्रिया के लिए ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) का उपयोग करके पूर्ण द्विघात (full quadratic/second-order) बहुपद मॉडल फिट किए गए।
4. महत्व परीक्षण (Significance Testing): महत्वपूर्ण रैखिक, इंटरेक्शन और द्विघात पदों की पहचान करने के लिए एनोवा (ANOVA) का उपयोग किया गया।
5. अवशेष निदान (Residual Diagnostics): मॉडल का सत्यापन सामान्यता (normality), स्थिर प्रसरण (constant variance) और स्वतंत्रता की जांच के लिए नॉर्मल प्रोबेबिलिटी प्लॉट्स, रेसिड्यूल बनाम फिटेड प्लॉट्स, हिस्टोग्राम और ऑर्डर प्लॉट्स का उपयोग करके किया गया।
6. विज़ुअलाइज़ेशन (Visualization): चर अंतर्संबंधों की व्याख्या करने के लिए मुख्य प्रभाव, इंटरेक्शन प्लॉट्स और 3-D रिस्पांस सर्फेस तैयार किए गए।
7. बहु-प्रतिक्रिया अनुकूलन (Multi-Response Optimization): $R_f$ और $\Delta P$ को न्यूनतम करने तथा $U_{overall}$ को अधिकतम करने के लिए एक संयुक्त वांछनीयता फलन (Harrington/Derringer–Suich) लागू किया गया।
8. व्याख्या (Interpretation): इष्टतम परिचालन बिंदु का मॉडल पर्याप्तता और भौतिक तर्कसंगतता के विरुद्ध मूल्यांकन किया गया।

प्रमुख योगदान
यह शोध क्षेत्र में पांच विशिष्ट योगदानों की पहचान करता है:

1. संयुक्त तीन-प्रतिक्रिया ढांचा: एकल प्रतिक्रियाओं पर केंद्रित पिछले RSM अध्ययनों के विपरीत, यह कार्य एक ही डेटासेट से तापीय ($R_f$), प्रदर्शन ($U_{overall}$), और हाइड्रोलिक ($\Delta P$) क्षरण के लिए तीन अलग-अलग लेकिन संयुक्त रूप से अनुकूलित द्विघात सतहों को विकसित और मान्य करता है।
2. मध्यम मॉडल फिट का नैदानिक उपयोग: यह अध्ययन मध्यम $R^2$ मान को केवल एक सीमा के रूप में नहीं, बल्कि एक यांत्रिक निष्कर्ष के रूप में पुनर्परिभाषित करता है। $R_f$ मॉडल का कम फिट ($R^2 \approx 0.60$) स्पष्ट रूप से डेटासेट के भीतर दो सह-अस्तित्व वाली क्षरण तंत्रों (फाउलिंग और संक्षारण) के सांख्यिकीय हस्ताक्षर के रूप में निदान किया गया है, न कि RSM दृष्टिकोण की विफलता के रूप में।
3. एकीकृत बहु-प्रतिक्रिया अनुकूलन: यह अध्ययन सभी तीन प्रतिक्रियाओं पर एक साथ वांछनीयता फलन लागू करता है, जिससे परस्पर विरोधी एकल-प्रतिक्रिया इष्टतम के बजाय एक एकल, भौतिक रूप से व्याख्या योग्य परिचालन अनुशंसा उत्पन्न होती है।
4. पारदर्शी एक्सट्रपलेशन जोखिम प्रबंधन: लेखक अनुकूलन सीमा पर $R_f$ के लिए एक भौतिक रूप से असंभव नकारात्मक भविष्यवाणी को स्पष्ट रूप से पहचानते हैं और संबोधित करते हैं, जो दिशात्मक रूप से विश्वसनीय इंजीनियरिंग मार्गदर्शन और संख्यात्मक रूप से अविश्वसनीय बिंदु अनुमानों के बीच अंतर करता है।
5. व्याख्यात्मकता (Interpretability): यह ढांचा ब्लैक-बॉक्स मशीन लर्निंग मॉडल के विकल्प के रूप में एक पारदर्शी, क्लोज्ड-फॉर्म बहुपद विकल्प प्रदान करता है, जो ट्रैसेबल गुणांक और इंटरेक्शन संरचनाएं प्रदान करता है।

परिणाम

• फाउलिंग प्रतिरोध ($R_f$): मॉडल ने मध्यम फिट ($R^2 = 0.598$) प्राप्त किया। इनलेट तापमान प्रमुख कारक था, जिसने मजबूत सकारात्मक प्रभाव दिखाया। द्रव्यमान प्रवाह दर का महत्वपूर्ण नकारात्मक प्रभाव (फाउलिंग को कम करना) था। महत्वपूर्ण इंटरेक्शन और द्विघात पदों ने गैर-रैखिक व्यवहार की पुष्टि की। अवशेष निदान ने विषमता (heteroscedasticity) और दाहिनी ओर झुकाव (right-skewness) को प्रकट किया, जिसका कारण फाउलिंग और संक्षारण की अलग-अलग व्यवस्थाओं का मिश्रण था।
• समग्र ऊष्मा स्थानांतरण गुणांक ($U_{overall}$): इस मॉडल ने उत्कृष्ट भविष्य कहनेवाला प्रदर्शन ($R^2 = 0.997$) प्रदर्शित किया। द्रव्यमान प्रवाह दर प्रमुख कारक था, जो ऊष्मा स्थानांतरण को महत्वपूर्ण रूप से बढ़ाता है। इनलेट तापमान का नकारात्मक प्रभाव देखा गया क्योंकि यह फाउलिंग को बढ़ावा देता है। मॉडल ने चरम स्थितियों पर घटते प्रतिफल (diminishing returns) को दिखाया।
• दबाव ड्रॉप ($\Delta P$): इस मॉडल ने लगभग सटीक फिट ($R^2 \approx 1.000$) प्राप्त किया। द्रव्यमान प्रवाह दर और उसका द्विघात पद ही एकमात्र महत्वपूर्ण कारक थे, जो पुष्टि करते हैं कि $\Delta P$ इस निश्चित ज्यामिति में पूरी तरह से प्रवाह दर द्वारा नियंत्रित होता है, जो तापमान या समय से स्वतंत्र है।
• बहु-प्रतिक्रिया अनुकूलन: अनुकूलन ने निम्नलिखित इष्टतम स्थितियों की पहचान की:
  • इनलेट तापमान: निम्न (~44.88°C)।
  • द्रव्यमान प्रवाह दर: मध्यम-सीमा (~5.015 kg/s)।
  • परिचालन समय: विस्तारित (~8,410 घंटे)।
  • संयुक्त वांछनीयता (Composite Desirability): 0.68।
  • चेतावनी: इस इष्टतम स्तर पर, मूल $R_f$ मॉडल ने एक भौतिक रूप से असंभव नकारात्मक मान की भविष्यवाणी की, जो सीमाओं पर सटीक संख्यात्मक पूर्वानुमान के लिए सावधानी बरतने की आवश्यकता को रेखांकित करता है।

महत्व और दावे
यह शोध दावा करता है कि RSM डीप लर्निंग या न्यूरल नेटवर्क से जुड़ी व्याख्यात्मकता की हानि के बिना क्षरण की भविष्यवाणी करने और परिचालन रणनीतियों में सुधार करने के लिए एक व्यावहारिक, सांख्यिकीय रूप से कठोर ढांचा प्रदान करता है। यह तर्क देता है कि फाउलिंग और संक्षारण को एक युग्मित, सांख्यिकीय रूप से मॉडल की गई प्रक्रिया के रूप में मानना, अलग-अलग एकल-तंत्र मॉडलों की तुलना में बेहतर है। अध्ययन इस बात पर जोर देता है कि एक मध्यम मॉडल फिट, छिपे हुए श्रेणीबद्ध (categorical) संरचनाओं का पता लगाने के लिए एक मूल्यवान नैदानिक उपकरण हो सकता है।

लेखक निष्कर्ष निकालते हैं कि प्रस्तावित ढांचा ऑपरेटरों को तापीय और हाइड्रोलिक क्षरण को प्रभावी ढंग से संतुलित करने की अनुमति देता है। वे नोट करते हैं कि विशिष्ट परिचालन अनुशंसा (निम्न तापमान, मध्यम प्रवाह, विस्तारित समय) एक परीक्षण योग्य परिकल्पना है जो इंटरेक्शन-जागरूक मॉडलिंग से प्राप्त हुई है। हालांकि, शोध सिम्युलेटेड डेटा पर आधारित होने के कारण तत्काल तैनाती के संबंध में विनम्र रहता है, और स्वीकार करता है कि भविष्य में भविष्य कहनेवाला सटीकता में सुधार के लिए क्षरण तंत्र को एक स्पष्ट श्रेणीबद्ध कारक के रूप में शामिल करके $R_f$ मॉडल को परिष्कृत करने की आवश्यकता है। यह अध्ययन एक पूर्णतः तैनात, प्लांट-विशिष्ट निर्णय-सहायता उपकरण बनने की दिशा में एक कदम के रूप में खुद को स्थापित करता है, जो प्रयोगात्मक सत्यापन और डिज़ाइन स्पेस के विस्तार पर निर्भर है।