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
Questo studio sviluppa un framework basato sui dati che integra modelli di machine learning, intelligenza artificiale spiegabile e ottimizzazione multi-obiettivo per prevedere e ottimizzare le prestazioni termo-idrauliche di scambiatori di calore tubolari equipaggiati con inserti a nastro tortuoso a doppia perforazione con V-winglet a swirl coassiale e controcorrente.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo moderno, la domanda di energia cresce più velocemente che mai, spingendo gli ingegneri a trovare modi più intelligenti per spostare il calore da un luogo all'altro. Al cuore di questa sfida si trovano gli scambiatori di calore, gli instancabili lavoratori invisibili dell'industria che trasferiscono l'energia termica tra fluidi senza permettere loro di mescolarsi. Per rendere questi dispositivi più efficienti, gli scienziati utilizzano spesso tecniche passive, che consistono nell'aggiungere strutture fisiche all'interno dei tubi per agitare il fluido. Un metodo comune è l'inserimento di un nastro ritorto, una striscia di metallo che si avvolge a spirale lungo la lunghezza del tubo. Mentre il fluido scorre sopra questa spirale, viene costretto a ruotare, il che rompe lo sottile strato di fluido stagnante che aderisce alla parete del tubo e permette al calore di sfuggire molto più velocemente. Tuttavia, questa azione rotatoria crea attrito, che agisce come un freno sul flusso, richiedendo più energia per pompare il fluido attraverso il condotto. L'obiettivo per gli ingegneri è sempre quello di trovare il perfetto equilibrio: ottenere il massimo trasferimento di calore possibile utilizzando la minima quantità di energia per superare tale attrito.
Un team di ricercatori del Dehradun Institute of Technology e della Sankalchand Patel University ha affrontato questo bilanciamento combinando esperimenti fisici con l'apprendimento computazionale avanzato. Si sono concentrati su un tipo specifico di inserto chiamato nastro ritorto doppio perforato con alette a forma di V (V-winglets). Immaginate un nastro metallico ritorto in una spirale, ma questo è a due strati e presenta piccoli fori praticati per far passare parte del fluido, riducendo la resistenza. Lungo i bordi di questo nastro, hanno aggiunto piccole alette a forma di V che sporgono come minuscole ali. Queste ali erano disposte in due modi diversi: o entrambe a spirale nella stessa direzione, o a spirale in direzioni opposte. I ricercatori volevano vedere come queste specifiche forme si comportassero sotto diverse velocità di flusso e come potessero essere ottimizzate per risparmiare energia.
Per comprendere il comportamento di questi inserti, il team ha costruito un lungo tubo di prova trasparente e vi ha fatto scorrere aria a varie velocità, simulando le condizioni presenti nei veri sistemi industriali. Hanno testato il flusso d'aria a velocità corrispondenti a un intervallo specifico di turbolenza, da circa 10.400 a 22.800 su una scala utilizzata per misurare l'intensità del flusso. Hanno anche variato la compattezza della torsione del nastro, testando rapporti in cui il nastro compiva un giro completo ogni 2, 4 o 6 unità di lunghezza. Per ogni test, hanno misurato quanto bene si muoveva il calore, quanto l'aria rallentava a causa dell'attrito e quanta energia veniva sprecata come disordine, noto come entropia. Hanno poi inserito tutti questi dati in un sistema informatico che utilizzava diversi modelli di apprendimento automatico per apprendere i pattern. Questi modelli agivano come studenti altamente addestrati, studiando i risultati sperimentali per prevedere come il sistema si sarebbe comportato in situazioni che non avevano mai visto prima.
I risultati hanno mostrato che il design specifico dell'inserto conta moltissimo. Il nastro ritorto doppio con le alette a forma di V, specialmente quando le due spirali ruotano in direzioni opposte, ha prodotto il miglior trasferimento di calore. Questa configurazione ha creato forti movimenti rotatori che mescolano l'aria accuratamente, sottraendo il calore dalle pareti del tubo in modo molto più efficace rispetto ai tubi semplici o agli inserti più elementari. Tuttavia, questa alta prestazione ha avuto un costo: l'attrito era anche più elevato, il che significa che l'aria incontrava maggiore resistenza. I ricercatori hanno scoperto che regolando il rapporto di torsione, potevano influenzare questo compromesso. Una torsione più stretta generalmente migliorava il trasferimento di calore ma aumentava l'attrito, mentre una torsione più lenta riduceva l'attrito ma offriva uno scambio termico minore. Lo studio ha identificato che la versione con le alette a V e orientamento a contro-rotazione raggiungeva l'efficienza complessiva più elevata, migliorando le prestazioni del sistema di circa il 16 percento rispetto ad altre configurazioni all'aumentare della velocità del flusso.
Per dare senso a queste complesse relazioni, i ricercatori hanno utilizzato una tecnica chiamata intelligenza artificiale spiegabile. Invece di lasciare semplicemente che il computer fornisca un numero, hanno chiesto al modello di spiegare quali fattori fossero più importanti. L'analisi ha confermato che la velocità dell'aria e la forma specifica del nastro erano le forze dominanti che guidavano i risultati. I modelli informatici, in particolare uno chiamato Least Squares Support Vector Machine e un altro chiamato XGBoost, si sono dimostrati incredibilmente accurati, prevedendo i valori di trasferimento del calore e di attrito con un'affidabilità vicina al 99 percento. Ciò significa che gli ingegneri possono ora utilizzare questi modelli digitali per prevedere come un nuovo scambiatore di calore si comporterà senza dover costruire e testare ogni singolo prototipo fisico, risparmiando tempo e risorse significative.
Infine, il team ha utilizzato uno strumento di ottimizzazione sofisticato per trovare le condizioni operative ideali. Poiché migliorare il trasferimento di calore spesso peggiora l'attrito, non esiste un unico parametro "perfetto" che massimizzi l'uno minimizzando l'altro. Inveve, il computer ha generato un elenco dei migliori compromessi possibili, noto come frontiera di Pareto. Queste soluzioni offrono agli ingegneri un menu di scelte: una potrebbe dare priorità al massimo trasferimento di calore per un sistema compatto, mentre un'altra potrebbe dare priorità a un basso consumo energetico per un sistema in cui i costi di pompaggio sono elevati. Lo studio ha concluso che, utilizzando questi strumenti basati sui dati, è possibile progettare scambiatori di calore che siano non solo più efficaci nel muovere il calore, ma anche più efficienti nel loro uso di energia, rispondendo alla necessità critica di una migliore gestione termica in un mondo che consuma quantità crescenti di potenza.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.