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
Este estudo desenvolve um framework orientado a dados integrando modelos de aprendizado de máquina, IA explicável e otimização multiobjetivo para prever e otimizar o desempenho termo-hidráulico de trocadores de calor tubulares equipados com insertos de fita torcida com perfurações duplas e v-winglets de swirl co e contra-rotacional.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo moderno, a demanda por energia cresce mais rápido do que nunca, impulsionando engenheiros a encontrar maneiras mais inteligentes de mover o calor de um lugar para outro. No cerne deste desafio estão os trocadores de calor, os trabalhadores incansáveis e não reconhecidos da indústria, que transferem energia térmica entre fluidos sem permitir que eles se misturem. Para tornar esses dispositivos mais eficientes, cientistas frequentemente utilizam técnicas passivas, que envolvem a adição de estruturas físicas dentro dos tubos para agitar o fluido. Um método comum é a inserção de uma fita torcida, uma tira de metal que espirala ao longo do comprimento do tubo. À medida que o fluido flui sobre esta espiral, ele é forçado a girar, o que quebra a fina camada de fluido estagnado que adere à parede do tubo e permite que o calor escape muito mais rapidamente. No entanto, essa ação de rotação cria fricção, que atua como um freio no fluxo, exigindo mais energia para bombear o fluido através dele. O objetivo dos engenheiros é sempre encontrar o equilíbrio perfeito: obter a maior transferência de calor possível utilizando a menor quantidade de energia para superar essa fricção.
Uma equipe de pesquisadores do Instituto de Tecnologia de Dehradun e da Universidade de Sankalchand Patel abordou este equilíbrio combinando experimentos físicos com aprendizado computacional avançado. Eles focaram em um tipo específico de inserto chamado fita torcida dupla perfurada com winglets em forma de V. Imagine uma fita de metal torcida em uma espiral, mas esta possui duas camadas e pequenos furos perfurados para permitir que parte do fluido passe, reduzendo o arrasto. Ao longo das bordas desta fina, eles adicionaram pequenas barbatanas em forma de V que se projetam como pequenas asas. Essas asas foram organizadas de duas maneiras diferentes: ou ambas espiralando na mesma direção, ou espiralando em direções opostas. Os pesquisadores queriam ver como essas formas específicas performavam sob diferentes velocidades de fluxo e como poderiam ser otimizadas para economizar energia.
Para entender o comportamento desses insertos, a equipe construiu um tubo de teste longo e transparente e fez o ar correr através dele em várias velocidades, simulando condições encontradas em sistemas industriais reais. Eles testaram o fluxo de ar em velocidades correspondentes a uma faixa específica de turbulência, de aproximadamente 10.400 a 22.800 em uma escala usada para medir a intensidade do fluxo. Eles também variaram a rigidez da torção da fita, testando proporções onde a fita completava uma volta completa a cada 2, 4 ou 6 unidades de comprimento. Para cada teste, mediram quão bem o calor se movia, o quanto o ar desacelerava devido à fricção e quanta energia era desperdiçada como desordem, conhecida como entropia. Eles então alimentaram todos esses dados em um sistema de computador que utilizou vários modelos diferentes de aprendizado de máquina para aprender os padrões. Esses modelos agiam como estudantes altamente treinados, estudando os resultados experimentais para prever como o sistema se comportaria em situações que nunca haviam visto antes.
Os resultados mostraram que o design específico do inserto importava imensamente. A fita torcida dupla com as asas em forma de V, especialmente quando as duas espirais torciam em direções opostas, produziu a melhor transferência de calor. Esta configuração criou fortes movimentos de rotação que misturavam o ar minuciosamente, removendo o calor das paredes do tubo de forma muito mais eficaz do que tubos simples ou insertos comuns. No entanto, este alto desempenho veio com um custo: a fricção também era maior, o que significa que o ar enfrentava mais resistência. Os pesquisadores descobriram que, ao ajustar a razão de torção, poderiam influenciar essa compensação. Uma torção mais apertada geralmente melhorava a transferência de calor, mas aumentava a fricção, enquanto uma torção mais frouxa reduzia a fricção, mas oferecia menos troca de calor. O estudo identificou que a versão com winglets em V e orientação de contra-rotação alcançou a maior eficiência geral, melhorando o desempenho do sistema em cerca de 16 por cento em comparação com outras configurações quando a velocidade do fluxo era aumentada.
Para dar sentido a essas relações complexas, os pesquisadores utilizaram uma técnica chamada inteligência artificial explicável. Em vez de apenas deixar o computador fornecer um número, eles pediram ao modelo que explicasse quais fatores eram mais importantes. A análise confirmou que a velocidade do ar e o formato específico da fita eram as forças dominantes que impulsionavam os resultados. Os modelos de computador, particularmente um chamado Máquina de Vetores de Suporte de Mínimos Quadrados (Least Squares Support Vector Machine) e outro chamado XGBoost, provaram ser incrivelmente precisos, prevendo os valores de transferência de calor e fricção com uma confiabilidade de quase 99 por cento. Isso significa que os engenheiros agora podem usar esses modelos digitais para prever como um novo trocador de calor irá performar sem ter que construir e testar cada um dos protótipos físicos, economizando tempo e recursos significativos.
Finalmente, a equipe utilizou uma ferramenta de otimização sofisticada para encontrar as condições ideais de operação. Como melhorar a transferência de calor frequentemente piora a fricção, não existe uma única configuração "perfeita" que maximize um enquanto minimiza o outro. Em vez disso, o computador gerou uma lista das melhores compensações possíveis, conhecidas como fronteira de Pareto. Essas soluções oferecem aos engenheiros um menu de escolhas: um pode priorizar a transferência máxima de calor para um sistema compacto, enquanto outro pode priorizar o baixo consumo de energia para um sistema onde os custos de bombeamento são altos. O estudo concluiu que, ao utilizar essas ferramentas baseadas em dados, é possível projetar trocadores de calor que não são apenas mais eficazes em mover o calor, mas também mais eficientes em seu uso de energia, abordando a necessidade crítica de uma melhor gestão térmica em um mundo que consome quantidades crescentes de energia.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.