جلسه ارزیابی پژوهشی 2 رساله دکتری (آقای مهرداد نادری بنی)

موضوع:  پیش بینی و بهینه سازی جریان سیال و انتقال حرارت در لوله با تغییرات شدید خواص با رویکرد یادگیری ماشین

ارائه دهنده:  مهرداد نادری بنی

استادان راهنما: دکتر محمدرضا سلیم پور، دکتر محمدرضا توکلی نژاد

استادان مشاور:-

استادان داور: دکتر رامین کوهی کمالی، دکتر محمدرضا نیرومند، دکتر افشین احمدی

چکیده

در این پژوهش، افزایش راندمان بویلرهای لوله آتشین از طریق بهینه‌سازی لوله‌های آتش آن‌ها مورد بررسی قرار می گیرد. در این نوع از بویلرها، گاز داغ از درون لوله‌های آتش عبور کرده و حرارت خود را به سیال اطراف لوله ها، مانند آب یا روغن، منتقل می‌کند. یکی از ویژگی‌های مهم این نوع از بویلرها، تغییرات شدید خواص ترمودینامیکی گاز به دلیل نوسانات دمایی بالا و در نتیجه تغییرات گسترده عدد رینولدز (از مقادیر کوچک مانند 50 تا مقادیر بزرگ مانند 50000) و رژیم جریان (رژیم آرام، گذرا و آشفته) است. چالش اصلی در تحلیل لوله‌های آتش این است که نرم‌افزارهای تجاری مانند انسیس فلوئنت قادر به تحلیل جریان تنها در یک رژیم (آرام یا آشفته) هستند و از مدلسازی صحیح جریانهایی که از یک رژیم به رژیمی دیگر گذار می‌کنند، ناتوانند. بنابراین، نیاز به روشی وجود دارد که بتواند خواص متغیر گاز را در تمامی رژیم‌های جریان به طور دقیق مدل‌سازی کند. در بخش نخست این تحقیق، جریان سیال (هوا و آب) با خواص ثابت درون یک لوله ساده ابتدا تحت رژیم آرام و سپس در شرایط جریان آشفته با استفاده از نرم‌افزار انسیس فلوئنت شبیه‌سازی شده و نتایج حاصل با استفاده از معادلات تجربی اعتبارسنجی می‌شوند. پس از صحت سنجی، داده‌های ورودی و خروجی حاصل از شبیه‌سازی‌ها به صورت بانک اطلاعاتی ساختار یافته ذخیره می گردند. در ادامه، با بهره‌گیری از زبان برنامه‌نویسی پایتون، مدل‌های مختلف یادگیری ماشین به منظور پیش‌بینی مقادیر توابع هدف (عدد ناسلت، افت فشار و...) بر اساس ویژگی‌های ورودی (سرعت، چگالی، ویسکوزیته و...) مورد ارزیابی قرار می گیرند. در این مرحله، مدلی که بالاترین دقت پیش‌بینی را داشته باشد، به عنوان مدل برتر انتخاب می‌شود. برای لحاظ کردن خواص متغیر، لوله به بخش‌های کوچکتر تقسیم می‌شود و برای هر بخش به صورت جداگانه توابع هدف پیش‌بینی می‌گردد. از آنجا که در هر المان خواص ثابت فرض می‌شوند، با ترکیب خروجی کل المان‌ها می‌توان رفتاری مشابه با لوله‌ای با خواص متغیر را مدل‌سازی کرد. در مرحله بعد، خواص ترمودینامیکی به صورت تابعی از دما در الگوریتم یادگیری ماشین تعریف شده و توابع هدف پیش‌بینی می‌شوند. نتایج حاصل از این الگوریتم با خروجی نرم‌افزار فلوئنت و در شرایطی که خواص سیال وابسته به دما هستند، مقایسه می شوند. مزیت مهم الگوریتم پیشنهادی آن است که فارغ از نوع رژیم جریان (آرام، گذرا یا آشفته)، مدل‌سازی لوله‌ها را با دقت بالا و زمان محاسبات بسیار کمتر نسبت به نرم‌افزار امکان‌پذیر می‌سازد. در بخش انتهایی پژوهش، از الگوریتم یادگیری ماشین برای بهینه‌سازی لوله‌های آتش یک بویلر واقعی استفاده می‌شود. در این فاز، پارامترهایی نظیر طول، قطر و تعداد لوله‌ها به عنوان متغیر در نظر گرفته شده و هدف مورد نظر که کاهش ابعاد بویلر و افزایش هم‌زمان راندمان حرارتی است، بررسی می گردد.