Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control

Deze studie presenteert een CNN-gebaseerd surrogaatmodel dat in real-time de warmteoverdracht in impacterende jetarrays voorspelt, waardoor de hoge rekentijd van CFD-simulaties wordt overwonnen en de toepasbaarheid voor geavanceerde thermische besturingssystemen mogelijk wordt gemaakt.

De kern

Stel je voor dat je een enorme, hete bakplaat hebt die je moet koelen, maar niet overal even snel. Misschien wil je de linkerhoek heel koud houden, terwijl de rechterkant iets warmer mag zijn. Of misschien verandert de hittebron voortdurend, en moet je je koelsysteem elke seconde aanpassen.

Dit is precies het probleem dat deze wetenschappers oplossen met hun nieuwe "slimme koelsysteem". Hier is hoe het werkt, vertaald naar simpele taal:

1. Het Probleem: De "Super-koelkraan"

Stel je een rij van meerdere kleine waterkranen voor die recht op een hete plaat spuiten.

• De truc: Elke kraan kan niet alleen water naar de plaat spuiten (inlaat), maar kan ook water van de plaat afzuigen (uitlaat), of gewoon dicht blijven.
• Het doel: Door te kiezen welke kranen open zijn, welke dicht zijn, en hoe hard ze spuiten, kun je de temperatuur op de plaat heel precies regelen, alsof je een digitale verfmeter hebt.

Het probleem is echter: als je 9 kranen hebt (in een 3x3 rooster), zijn er miljarden manieren om ze in te stellen. Om te weten welke instelling de beste koeling geeft, moeten wetenschappers normaal gesproken enorme, complexe computerberekeningen doen (CFD). Dat duurt echter te lang. Het is alsof je voor elke kleine aanpassing een uur moet wachten voordat je weet of het werkt. Voor echte, snelle controle (zoals in een auto of een fabriek) is dat veel te traag.

2. De Oplossing: De "Voorspeller" (Surrogaatmodel)

De onderzoekers hebben een slimme oplossing bedacht: een kunstmatige intelligentie (AI) die fungeert als een "voorspeller".

• De Training: Ze hebben eerst een paar honderd keer de dure, trage computerberekeningen gedaan voor verschillende situaties. Ze hebben deze resultaten gebruikt om de AI te leren.
• De Leerling: De AI (een zogenaamd Convolutional Neural Network of CNN) is als een super-snel kind dat een patroon leert. Het kijkt naar de knoppen (welke kranen open, hoe hard) en zegt direct: "Ah, als je deze knoppen zo zet, krijg je dit patroon van hitte."
• Het Resultaat: In plaats van een uur te wachten, geeft de AI het antwoord in een fractie van een seconde. Het is alsof je van een dure, trage simulator overschakelt naar een slimme voorspeller die net zo goed is, maar duizenden keren sneller.

3. De Magische Stap: Van Klein naar Groot (Extrapolatie)

Er was nog een probleem: de AI was getraind op "normale" waterdruk (Reynoldsgetal < 2.000). Maar in de echte wereld werken deze systemen vaak met veel hogere drukken (tot 10.000).

• De Analogie: Stel je hebt een modelauto getest op een rustige weg. Hoe vertaal je dat naar een racebaan?
• De Oplossing: De onderzoekers hebben een wiskundige "vertaalregel" gevonden (gebaseerd op een oude formule van Martin). Ze zeggen tegen de AI: "Je hebt het antwoord voor de rustige weg. Als je dat antwoord vermenigvuldigt met deze specifieke factor, krijg je het antwoord voor de racebaan."
• Dit werkt verrassend goed. De AI hoeft niet opnieuw te leren voor de hoge druk; ze past gewoon de oude kennis aan.

4. De Proef in het Lab

Om te bewijzen dat dit niet alleen maar theorie is, hebben ze het in het echt getest.

• Ze bouwden een fysiek model met 5 kranen.
• Ze gebruikten een hittepistool om de plaat te verwarmen en een warmtebeeldcamera om de temperatuur te meten.
• Ze lieten de AI de koeling regelen.
• De uitkomst: De voorspellingen van de AI kwamen binnen 5,8% overeen met de werkelijkheid. Dat is een enorm nauwkeurige voorspelling voor zo'n complex systeem.

Waarom is dit belangrijk?

Dit onderzoek legt de basis voor de toekomstige temperatuurcontrole.
Stel je voor bij een elektrische auto-batterij of een zonnepaneel. De hitte komt niet gelijkmatig. Met dit systeem kun je in real-time elke "kraan" aansturen om precies daar te koelen waar het nodig is. Omdat de AI zo snel is, kan het systeem reageren op veranderingen in milliseconden.

Kort samengevat:
Ze hebben een dure, trage simulator vervangen door een slimme, snelle AI-voorspeller die leert hoe je met een rij kranen een hete plaat perfect kunt koelen, zelfs als je de druk verhoogt. Dit maakt geavanceerde, automatische temperatuurcontrole voor de toekomst mogelijk.

Technische samenvatting

Probleemstelling

Impellerende straalarrays (impinging jets) zijn cruciaal voor thermisch beheer in toepassingen zoals gas turbines, elektrische voertuigen en elektronische koeling. Traditionele systemen gebruiken vaak statische configuraties, maar nieuwe "actieve koelsystemen" (zoals ontwikkeld door Lamarre en Raymond) staan toe dat elke straal dynamisch fungeert als inlaat, uitlaat of gesloten wordt. Dit biedt ongeëvenaarde ruimtelijke en temporele controle over de temperatuurverdeling.

De uitdaging ligt echter in het ontwikkelen van een controlestrategie voor deze systemen:

1. Complexiteit: Het aantal mogelijke configuraties (arrangementen van inlaten/uitlaten en stromingsraten) groeit exponentieel met het aantal stralen. Een 5x5 array heeft bijvoorbeeld ongeveer $3^{25}$ mogelijke toestanden.
2. Rekenkosten: Hoewel Computational Fluid Dynamics (CFD) simulaties zeer nauwkeurig zijn, zijn ze te duur in rekentijd voor real-time toepassingen zoals modelgebaseerde temperatuurregeling. Het simuleren van hoge Reynolds-getallen (Re) is nog kostbaarder.
3. Beperking van bestaande modellen: Bestaande empirische correlaties zijn vaak beperkt tot statische configuraties en geven geen gedetailleerde ruimtelijke verdeling van het Nusselt-getal, terwijl CFD te traag is voor feedback-lussen.

Methodologie

De auteurs ontwikkelen een surrogaatmodel gebaseerd op een Convolutional Neural Network (CNN) om de Nusselt-getalverdeling in real-time te voorspellen voor willekeurige configuraties van actieve koelsystemen.

1. Geometrie en Data-Generatie:

• Twee systemen werden onderzocht: een 5x1 array (5 stralen in één rij) en een 3x3 array (9 stralen in een raster).
• De data werd gegenereerd met CFD-simulaties (gebruikmakend van de open-source software Lethe) met een Implicit Large-Eddy Simulation (ILES) strategie.
• Training Data: Simulaties werden uitgevoerd voor Reynolds-getallen (Re) onder de 2.000.
  • 5x1 systeem: 83 simulaties.
  • 3x3 systeem: 100 simulaties.
• De invoer voor het model bestaat uit een vector die de staat van elke straal beschrijft (inlaat, uitlaat of gesloten) en de genormaliseerde stromingsrate.
• De uitvoer is een 2D-kaart van het Nusselt-getal op het bekoelde oppervlak.

2. Netwerkarchitectuur:

• Er werd een CNN gebruikt omdat de Nusselt-verdeling ruimtelijke correlaties vertoont die door convoluties goed kunnen worden gevangen.
• De architectuur gebruikt transposed convolutie lagen om de lage-resolutie invoer (configuratievector) op te schalen naar een hoge-resolutie Nusselt-kaart.
• De invoer wordt verrijkt met extra informatie: de staat van de stralen (inlaat/uitlaat) en de genormaliseerde afstand tot het centrum.

3. Extrapolatie naar Hoge Reynolds-getallen:

• Omdat het trainen op hoge Re-waarden (tot 10.000) te duur is, trainden ze het model op Re < 2.000.
• Voor hogere Re-waarden wordt een correlatie-gedreven schaling toegepast, gebaseerd op de wet van Martin ($Nu \propto Re^{0.574}$). De voorspelling bij Re=2.000 wordt geschaald naar de gewenste Re-waarde.

4. Validatie:

• Het model werd getest op een validatiedataset (20% van de data) die niet tijdens het trainen werd gebruikt.
• Er werd een experimentele validatie uitgevoerd op het 5x1 systeem bij Re = 10.000, waarbij een warmtepistool en een thermische camera werden gebruikt om de temperatuurverdeling te meten en te vergelijken met de gesimuleerde resultaten.

Belangrijkste Resultaten

1. Voorspellende Nauwkeurigheid (Re < 2.000):

• Het surrogaatmodel bereikt een zeer hoge nauwkeurigheid.
• 5x1 Systeem: Genormaliseerde gemiddelde absolute fout (NMAE) < 2% (specifiek 1,6%).
• 3x3 Systeem: NMAE < 0,6% (specifiek 0,57%). Het 3x3 model presteert beter vanwege de grotere symmetrieën die de trainingsdataset effectief vergroten.
• Het model slaagt erin om complexe interacties tussen stralen (zoals dwarsstroming) en de locatie van warmteoverdrachtspieken correct te voorspellen.
• Hoewel er lokale afwijkingen zijn bij hoge frequentie fluctuaties, blijft de globale gemiddelde Nusselt-waarde zeer nauwkeurig (fout < 1,4% voor 5x1 en < 0,2% voor 3x3).

2. Extrapolatie naar Re = 10.000:

• Door de schalingstechniek toe te passen, kon het model voorspellingen doen voor Re = 10.000.
• De fout nam toe (NMAE steeg van 0,016 naar 0,11 voor het 5x1 model), maar de algemene verdeling en trends bleven behouden.
• De auteurs stellen dat deze fouten in een gesloten-lus regeling (feedback controller) gecompenseerd kunnen worden door temperatuurmetingen.

3. Experimentele Validatie:

• Bij vergelijking met experimentele data (Re = 10.000) lag de gereconstrueerde temperatuur gemiddeld binnen 5,8% van de experimentele waarden na 120 seconden.
• Dit bevestigt dat het model bruikbaar is voor praktische toepassingen, ondanks de vereenvoudigingen in de simulatie.

Bijdragen en Significantie

1. Eerste Surrogaatmodel voor Dynamische Arrays: Dit is, voor zover bekend, het eerste surrogaatmodel dat specifiek is ontwikkeld voor impellerende straalarrays met dynamische inlaat/uitlaat configuraties. Bestaande modellen zijn meestal beperkt tot statische setups.
2. Real-time Toepasbaarheid: Het model vervangt duurdere CFD-simulaties door een CNN-voorspelling die in real-time kan worden uitgevoerd. Dit is een essentiële voorwaarde voor modelgebaseerde controlestrategieën (zoals Model Predictive Control) in thermisch beheer.
3. Schalbaarheid: De studie toont aan dat de methode schaalbaar is van kleine (5 stralen) naar grotere arrays (9 stralen) en dat het mogelijk is om te extrapoleren naar industriële Reynolds-getallen (tot 10.000) met een acceptabele foutmarge.
4. Open Science: De data en code zijn openbaar beschikbaar gesteld, wat reproduceerbaarheid en verdere ontwikkeling in de gemeenschap stimuleert.

Conclusie:
Het werk legt de basis voor geavanceerde, dynamische thermische beheersystemen. Door de combinatie van high-fidelity CFD, deep learning en experimentele validatie, bieden de auteurs een robuust framework om complexe warmteoverdrachtsproblemen in real-time te regelen, wat essentieel is voor de volgende generatie koeltechnologieën in de industrie.