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
Deze studie ontwikkelt een datagedreven raamwerk dat machine learning-modellen, uitlegbare AI en multi-objective optimalisatie integreert om de thermo-hydraulische prestaties te voorspellen en te optimaliseren van buisvormige warmtewisselaars uitgerust met met co- en tegenrotatie voorziene V-winglet dubbel geperforeerde getordeerde tape-inserts.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de moderne wereld groeit de vraag naar energie sneller dan ooit, wat ingenieurs dwingt om slimmere manieren te vinden om warmte van de ene naar de andere plek te verplaatsen. In het hart van deze uitdaging staan warmtewisselaars, de onbezongen werkpaarden van de industrie die thermische energie tussen vloeistoffen overdragen zonder ze te laten mengen. Om deze apparaten efficiënter te maken, gebruiken wetenschappers vaak passieve technieken, waarbij fysieke structuren in de buizen worden toegevoegd om de vloeistof te mengen. Een veelgebruikte methode is het invoegen van een gedraaide tape, een metalen strip die in een spiraal langs de lengte van de buis naar beneden loopt. Terwijl de vloeistof over deze spiraal stroomt, wordt deze gedwongen te tollen, wat de dunne laag stilstaande vloeistof die tegen de buiswand aanligt doorbreekt en ervoor zorgt dat warmte veel sneller kan ontsnappen. Deze draaiende beweging creëert echter wrijving, wat werkt als een rem op de stroming, waardoor er meer energie nodig is om de vloeistof door de buis te pompen. Het doel voor ingenieurs is altijd het vinden van de perfecte balans: zoveel mogelijk warmteoverdracht realiseren met een minimale hoeveelheid energie om die wrijving te overwinnen.
Een team onderzoekers van het Dehradun Institute of Technology en de Sankalchand Patel University heeft deze evenwichtsoefening aangepakt door fysieke experimenten te combineren met geavanceerd computergestuurd leren. Zij richtten zich op een specifiek type inzetstuk, namelijk een dubbel geperforeerde gedraaide tape met V-winglets. Stel je een metalen lint voor dat in een spiraal is gedraaid, maar dit exemplaar heeft twee lagen en kleine gaatjes die erdoorheen zijn geponst om een deel van de vloeistof door te laten, wat de weerstand vermindert. Langs de randen van dit lint hebben ze kleine, V-vormige vinnen toegevoegd die uitsteken als kleine vleugels. Deze vleugels waren op twee verschillende manieren gerangschikt: ofwel draaiden ze beide in dezelfde richting, ofwel draaiden ze in tegengestelde richtingen. De onderzoekers wilden zien hoe deze specifieke vormen presteerden onder verschillende stroomsnelheden en hoe ze geoptimaliseerd konden worden om energie te besparen.
Om het gedrag van deze inzetstukken te begrijpen, bouwde het team een lange, doorzichtige testbuis en liet zij lucht door de buis stromen op verschillende snelheden, wat de omstandigheden simuleert die men in echte industriële systemen aantreft. Zij testten de luchtstroom op snelheden die overeenkomen met een specifiek bereik van turbulentie, van ongeveer 10.400 tot 22.800 op een schaal die wordt gebruikt om de intensiteit van de stroming te meten. Ze varieerden ook de nauwheid van de draai van de tape, waarbij ze verhoudingen testten waarbij de tape een volledige omwenteling maakt elke 2, 4 of 6 eenheden lengte. Voor elke test maten zij hoe goed de warmte werd overgedragen, hoeveel de lucht vertraagde door wrijving, en hoeveel energie verloren ging als wanorde, ook wel entropie genoemd. Ze voedden al deze gegevens vervolgens in een computersysteem dat verschillende machine learning-modellen gebruikte om patronen te leren. Deze modellen fungeerden als hoogopgeleide studenten die de experimentele resultaten bestudeerden om te voorspellen hoe het systeem zich zou gedragen in situaties die ze nog nooit eerder hadden gezien.
De resultaten toonden aan dat het specifieke ontwerp van het inzetstuk enorm veel uitmaakte. De dubbele gedraaide tape met de V-vormige vleugels, vooral wanneer de twee spiralen in tegengestelde richtingen draaien, produceerde de beste warmteoverdracht. Deze configuratie creëerde sterke draaiende bewegingen die de lucht grondig mengden, waardoor warmte veel effectiever van de buiswanden werd weggetrokken dan bij gewone buizen of eenvoudigere inzetstukken. Deze hoge prestaties kwamen echter met een prijs: de wrijving was ook hoger, wat betekende dat de lucht meer weerstand ondervond. De onderzoekers ontdekten dat ze door de draairatio aan te passen, invloed konden uitoefenen op deze afweging. Een strakkere draai verbeterde over het algemeen de warmteoverdracht maar verhoogde de wrijving, terwijl een lossere draai de wrijving verminderde maar minder warmteuitwisseling bood. De studie identificeerde dat de versie met de V-winglets en de tegenovergestelde draairichting de hoogste algehele efficiëntie bereikte, waarbij de prestaties van het systeem met ongeveer 16 procent werden verbeterd ten opzichte van andere opstellingen wanneer de stroomsnelheid werd verhoogd.
Om de complexe relaties begrijpelijk te maken, gebruikten de onderzoekers een techniek genaamd uitlegbare kunstmatige intelligentie (explainable AI). In plaats van de computer simpelweg een getal te laten geven, vroegen ze het model om uit te leggen welke factoren het belangrijkst waren. De analyse bevestigde dat de snelheid van de lucht en de specifieke vorm van de tape de dominante krachten waren die de resultaten aanstuurden. De computermodellen, met name één genaamd de Least Squares Support Vector Machine en een andere genaamd XGBoost, bleken ongelooflijk nauwkeurig; ze voorspelden de warmteoverdracht en de wrijvingswaarden met een betrouwbaarheid van bijna 99 procent. Dit betekent dat ingenieurs deze digitale modellen nu kunnen gebruiken om te voorspellen hoe een nieuwe warmtewisselaar zal presteren zonder dat ze elke fysieke prototype hoeven te bouwen en te testen, wat aanzienlijk tijd en middelen bespaart.
Ten slotte gebruikte het team een geavanceerd optimalisatietool om de ideale bedrijfsvoorwaarden te vinden. Omdat het verbeteren van warmteoverdracht vaak de wrijving verslechtert, is er niet één enkele "perfecte" instelling die het één maximaliseert terwijl het ander minimaliseert. In plaats daarvan genereerde de computer een lijst met de best mogelijke compromissen, bekend als een Pareto-front. Deze oplossingen bieden ingenieurs een menu aan keuzes: de een kan prioriteit geven aan maximale warmteoverdracht voor een compact systeem, terwijl een ander prioriteit geeft aan een lager energieverbruik voor een systeem waar de pompkosten hoog zijn. De studie concludeerde dat het door gebruik te maken van deze datagestuurde instrumenten mogelijk is om warmtewisselaars te ontwerpen die niet alleen effectiever zijn in het verplaatsen van warmte, maar ook efficiënter in hun energieverbruik, waarmee wordt ingegaan op de kritieke behoefte aan beter thermisch beheer in een wereld die steeds grotere hoeveelheden energie verbruikt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.