CN113591365A - 一种自激振荡换热管多目标优化方法 - Google Patents
一种自激振荡换热管多目标优化方法 Download PDFInfo
- Publication number
- CN113591365A CN113591365A CN202110694437.XA CN202110694437A CN113591365A CN 113591365 A CN113591365 A CN 113591365A CN 202110694437 A CN202110694437 A CN 202110694437A CN 113591365 A CN113591365 A CN 113591365A
- Authority
- CN
- China
- Prior art keywords
- self
- heat exchange
- exchange tube
- objective optimization
- objective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000013461 design Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 239000002131 composite material Substances 0.000 claims abstract description 11
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013401 experimental design Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012932 thermodynamic analysis Methods 0.000 claims description 2
- 238000000540 analysis of variance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种自激振荡换热管的多目标优化方法,包括,确定自激振荡换热管的设计变量和目标函数;通过中心复合设计得到初始样本点;对样本点进行数值模拟;根据目标响应值构建RSM模型;对RSM模型进行方差分析和交叉验证;利用NSGA‑II算法进行多目标优化得到Pareto前沿解;通过TOPSIS排序法得到折衷解;对优化结构进行CFD验证。本发明的有益效果是,提出的多目标优化方法具有耗时短,精度高等优点;同时,还可以用于指导其他类型的换热器多目标优化设计。
Description
技术领域
本发明涉及热交换技术领域,尤其涉及一种自激振荡换热管多目标优化方法。
背景技术
换热器作为工业过程中传递热能的关键设备,广泛应用于石油、化工、航天、机械等领域,随着热能工程领域中对换热器的节能和环保方面的需求不断增加,研究人员已经提出并应用了各种强化传热的技术,其中,自激振荡作为一种新兴的无源强化传热技术,由于其高效的优点受到许多学者的研究。文献(Xu,Y.,Zhai,M.,Guo,L.,Dong,P.,Chen,J.,&Wang,Z.Characteristics of the pulsating flow and heat transfer in an elbowtailpipe of a self-excited Helmholtz pulse combustor[J].Applied ThermalEngineering,2016,108:567-580)设计了一种带弯管尾管的自激振荡脉冲燃烧室并对管内的脉动流进行了数值模拟,并将模拟结果与实验数据对比验证了其准确性,研究结果表明迪恩涡的形成、脱落和重整过程以及周期性的迪恩涡形状和涡核位置有利于对流换热的增强。
将自激振荡技术应用到换热器内,虽然可以强化传热,但是也会增大压降,目前大多数研究学者都是通过数值模拟分析结构参数对传热性能的影响,其实质是设计者依据设计经验安排有限个试验方案进行数值模拟分析计算,从中选择性能最好的方案。这种方法难以保证所选择的参数最优且难以做到所有设计参数组合寻优,并未考虑传热和压降之间的多目标优化问题。
发明内容
有鉴于此,本发明提出了一种自激振荡换热管的多目标优化方法,旨在获得兼顾努塞尔数和摩擦系数的自激振荡换热管最优结构参数。
本发明的技术方案是这样实现的:本发明提供了一种自激振荡换热管多目标优化方法,包括以下步骤:
(1)确定自激振荡换热管的设计变量和目标函数;
(2)通过中心复合设计得到初始样本点;
(3)对样本点进行数值模拟得到目标响应值;
(4)根据目标响应值构建RSM模型;
(5)对RSM模型进行方差分析和交叉验证;
(6)利用NSGA-II算法进行多目标优化;
(7)通过TOPSIS排序法得到折衷解;
(8)对优化结果进行CFD验证。
在上述技术方案的基础上,优选的,所述步骤1,选取自激振荡腔室的关键结构参数,确定自激振荡换热管设计变量,记为x={x1,x2,x3};其中,x1表示自激振荡换热管出入口直径比d2/d1,x2表示腔室碰撞壁夹角α,x3表示腔室长径比LT/DT;根据自激振荡腔室的结构限制,确定各个设计变量的取值范围;目标函数为努塞尔数Nu和摩擦系数f,分别表示换热管的传热和压降。
在上述技术方案的基础上,优选的,所述步骤2,根据设计变量的取值范围,通过中心复合设计得到初始样本点,记为D=[si],i=1,2,...,N;其中,si为第i个样本,N为样本点个数。
在上述技术方案的基础上,优选的,在上述技术方案的基础上,优选的,在上述技术方案的基础上,优选的,所述步骤3,采用Fluent数值模拟软件对自激振荡换热管进行热力学分析,得到初始样本点的响应值,记为Nu)si),si∈D;f(si),si∈D。
在上述技术方案的基础上,优选的,所述步骤4,根据努塞尔数和摩擦系数的响应值构建目标函数和设计变量之间的RSM模型,为了反映目标函数与设计变量之间的非线性关系,综合考虑到线性项,平方项和相互作用项,采用二阶多项式函数作为RSM模型,表述为:
在上述技术方案的基础上,优选的,所述步骤5,通过方差分析确定RSM模型的显著性;选择正交试验设计进行交叉验证。
在上述技术方案的基础上,优选的,所述步骤6中的NSGA-II算法采用以下步骤获得:
Step1:随机生成初始种群P(t),规模大小为N,设置算法进化代数为t,通过遗传算法的选择、交叉和变异操作生成第一代子代种群Q(t);
Step2:从第二代开始,将子代种群和父代种群合并,对总体种群进行快速非支配排序并且计算每个个体的拥挤度距离,根据排序等级和拥挤度大小筛选出优秀的个体形成新的父代种群P(t+1);
Step3:通过遗传算法的选择、交叉和变异操作生成下一代子代种群Q(t+1);
Step4:判断是否达到最大进化代数,若满足,则停止算法;否则,t=t+1,跳转至Step2。
在上述技术方案的基础上,优选的,所述步骤7中的TOPSIS排序法采用以下步骤获得:
Step1:创建一个具有m个解决方案和n个目标函数的决策矩阵;
Step2:规范化决策矩阵;
Step3:将上述归一化矩阵加权;
Step4:设置正负理想解;
Step5:计算所选方案到正负理想解的距离;
Step6:计算相对亲密度;
Step7:对所有方案进行排名,最优折衷解为最大相对亲密度的方案。
在上述技术方案的基础上,优选的,所述步骤8,从Pareto前沿解集中选择具有最大努塞尔数、最小摩擦系数的方案,采用Fluent软件仿真分析得到最大努塞尔数、最小摩擦系数、折衷解三种方案的努塞尔数与摩擦系数值,与优化结果进行比较。
本发明相对于现有技术具有以下有益效果:
1.采用中心复合设计和响应面法相结合的方法构建目标函数的近似模型,大大减少了优化过程的试验次数,提高了模型精度;
2.采用NSGA-II算法和TOPSIS排序法得到全局的最优折衷解,用较少的计算次数和较短的计算时间得到最优的结果,提高了整体优化效率并得到了可靠的结果;
3.本发明提出的自激振荡换热管多目标优化方法,也可以指导其他类型的换热器优化设计。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的自激振荡换热管多目标优化方法的流程图;
图2为本发明的自激振荡换热管的结构参数示意图;
图3为本发明的自激振荡换热管多目标优化的Pareto前沿解图;
图4为本发明的三种方案的速度场和温度场的分析图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种自激振荡换热管的多目标优化方法,包括以下步骤:
1)确定自激振荡换热管的设计变量和目标函数;
2)通过中心复合设计得到初始样本点;
3)对样本点进行数值模拟得到目标响应值;
4)根据目标响应值构建RSM模型;
5)对RSM模型进行方差分析和交叉验证;
6)利用NSGA-II算法进行多目标优化;
7)通过TOPSIS排序法得到折衷解;
8)对优化结果进行CFD验证。
在本发明步骤(1)中,确定自激振荡换热管的设计变量和目标函数的具体步骤为:
Step1:决定自激振荡换热管传热性能的关键设计变量记为x={x1,x2,x3},其中,x1表示自激振荡换热管出入口直径比d2/d1,x2表示腔室碰撞壁夹角α,x3表示腔室长径比LT/DT;自激振荡换热管的结构参数如图2所示;
Step2:根据自激振荡换热管的特殊结构要求和先前的研究,确定上述设计变量的取值范围为,x1∈[0.8,1.6],x2∈[100,140],x3∈[0.4,0.6];
Step3:目标函数为努塞尔数Nu和摩擦系数f,分别表示换热管的传热和压降。
在本发明步骤(2)中,得到初始样本点的具体步骤为:
Step1:根据步骤(1)中设计变量的取值范围,确定设计变量的水平数为3;
Step2:通过中心复合设计产生25组试验设计方案。
在本发明步骤(3)中,数值模拟的具体步骤为:
Step1:根据样本点的设计变量信息,构建自激振荡换热管的物理模型,并在ansysmeshing中进行非结构网格划分;
Step2:在Fluent软件中设置数值模拟的边界条件,具体地,设置入口边界条件为压力入口,大小为5000Pa,温度为293.15K;设置出口边界条件为压力出口,标压;设置壁面边界条件为无滑移,温度为343.15K;
Step3:通过后处理计算得到Nu和f的响应值,如表1所示。
表1中心复合设计样本点数据
在本发明步骤(4)中,构建RSM模型的具体步骤为:
Step1:选取二阶多项式函数作为RSM模型的基本表达式;
Step2:根据表1的设计变量和目标函数信息,得到Nu和f的RSM模型。
在本发明步骤(5)中,方差分析和交叉验证的具体步骤为:
Step1:通过Design Expert软件进行方差分析,得到Nu和f的方差分析表如表2和表3所示;
表2 Nu的方差分析结果
表3 f的方差分析结果
Step2:选择正交试验设计进行交叉验证,在相同的设计变量和参数范围内通过正交试验设计方法得到Nu和f的二阶多项式模型,并与中心复合设计进行比较,精度结果如表4所示。
表4正交试验设计和中心复合设计精度对比
在本发明步骤(6)中,利用NSGA-II算法进行多目标优化的具体步骤为:
Step1:设置种群规模为30,进化代数为500,交叉概率为0.9,交叉分布指数为10,突变分布指数为20;
Step2:选择Nu和f的二阶多项式模型作为NSGA-II算法的适应度函数,在matlab中进行多目标优化求解。
在本发明步骤(7)中,通过TOPSIS排序法得到折衷解的具体步骤为:
Step1:计算Pareto解集中30个方案的相对亲密度并进行排序;
Step2:筛选处相对亲密度最大的方案作为折衷解,如图3所示。
在本发明步骤(8)中,CFD验证的具体步骤为:
Step1:从图3所示的Pareto解集中选取最小f的方案、最大Nu的方案和折衷解,得到它们的设计变量和目标函数值;
Step2:通过Fluent进行数值模拟得到所选方案的目标函数值;
Step3:将预测值和模拟值进行比较,如表5所示,有限元分析仿真结果如图4所示。
表5模拟值与预测值比较
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种自激振荡换热管的多目标优化方法,其特征在于,包括以下步骤:
1)确定自激振荡换热管的设计变量和目标函数;
2)通过中心复合设计得到初始样本点;
3)对样本点进行数值模拟得到目标响应值;
4)根据目标响应值构建RSM模型;
5)对RSM模型进行方差分析和交叉验证;
6)利用NSGA-II算法进行多目标优化;
7)通过TOPSIS排序法得到折衷解;
8)对优化结果进行CFD验证。
2.根据权利要求1所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤1,选取自激振荡腔室的关键结构参数,确定自激振荡换热管设计变量,记为x={x1,x2,x3};其中,x1表示自激振荡换热管出入口直径比d2/d1,x2表示腔室碰撞壁夹角α,x3表示腔室长径比LT/DT;根据自激振荡腔室的结构限制,确定各个设计变量的取值范围;目标函数为努塞尔数Nu和摩擦系数f,分别表示换热管的传热和压降。
3.根据权利要求2所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤2,根据设计变量的取值范围,通过中心复合设计得到初始样本点,记为D=[si],i=1,2,...,N;其中,si为第i个样本,N为样本点个数。
4.根据权利要求3所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤3,采用Fluent数值模拟软件对自激振荡换热管进行热力学分析,得到初始样本点的响应值,记为Nu(si),si∈D;f(si),si∈D。
6.根据权利要求5所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤5,通过方差分析确定RSM模型的显著性;选择正交试验设计进行交叉验证。
7.根据权利要求1所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤6中的NSGA-II算法采用以下步骤获得:
Step1:随机生成初始种群P(t),规模大小为N,设置算法进化代数为t,通过遗传算法的选择、交叉和变异操作生成第一代子代种群Q(t);
Step2:从第二代开始,将子代种群和父代种群合并,对总体种群进行快速非支配排序并且计算每个个体的拥挤度距离,根据排序等级和拥挤度大小筛选出优秀的个体形成新的父代种群P(t+1);
Step3:通过遗传算法的选择、交叉和变异操作生成下一代子代种群Q(t+1);
Step4:判断是否达到最大进化代数,若满足,则停止算法;否则,t=t+1,跳转至Step2。
8.根据权利要求1所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤7中的TOPSIS排序法采用以下步骤获得:
Step1:创建一个具有m个解决方案和n个目标函数的决策矩阵;
Step2:规范化决策矩阵;
Step3:将上述归一化矩阵加权;
Step4:设置正负理想解;
Step5:计算所选方案到正负理想解的距离;
Step6:计算相对亲密度;
Step7:对所有方案进行排名,最优折衷解为最大相对亲密度的方案。
9.根据权利要求1所述的一种自激振荡换热管的多目标优化方法,其特征在于,所述步骤8,从Pareto前沿解集中选择具有最大努塞尔数、最小摩擦系数的方案,采用Fluent软件仿真分析得到最大努塞尔数、最小摩擦系数、折衷解三种方案的努塞尔数与摩擦系数值,与优化结果进行比较。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694437.XA CN113591365B (zh) | 2021-06-22 | 2021-06-22 | 一种自激振荡换热管多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694437.XA CN113591365B (zh) | 2021-06-22 | 2021-06-22 | 一种自激振荡换热管多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591365A true CN113591365A (zh) | 2021-11-02 |
CN113591365B CN113591365B (zh) | 2024-04-26 |
Family
ID=78244329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694437.XA Active CN113591365B (zh) | 2021-06-22 | 2021-06-22 | 一种自激振荡换热管多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591365B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050051A (zh) * | 2022-10-25 | 2023-05-02 | 中国核动力研究设计院 | 一种基于响应面模型的微流道换热器优化设计方法 |
CN116776773A (zh) * | 2023-06-26 | 2023-09-19 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
CN116776773B (zh) * | 2023-06-26 | 2024-06-07 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088051A (ja) * | 2011-10-19 | 2013-05-13 | Taiyo Denshi Kk | 自励振動ヒートパイプ |
CN105868488A (zh) * | 2016-04-11 | 2016-08-17 | 武汉科技大学 | 一种自激振荡脉冲喷嘴的腔室壁面设计方法 |
WO2017103650A1 (en) * | 2015-12-15 | 2017-06-22 | Technion Research & Development Foundation Limited | Acoustic resonance excited heat exchange |
CN108088288A (zh) * | 2017-10-31 | 2018-05-29 | 武汉科技大学 | 一种自激振荡腔体换热器 |
CN112949165A (zh) * | 2021-01-28 | 2021-06-11 | 哈尔滨工程大学 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
-
2021
- 2021-06-22 CN CN202110694437.XA patent/CN113591365B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013088051A (ja) * | 2011-10-19 | 2013-05-13 | Taiyo Denshi Kk | 自励振動ヒートパイプ |
WO2017103650A1 (en) * | 2015-12-15 | 2017-06-22 | Technion Research & Development Foundation Limited | Acoustic resonance excited heat exchange |
CN105868488A (zh) * | 2016-04-11 | 2016-08-17 | 武汉科技大学 | 一种自激振荡脉冲喷嘴的腔室壁面设计方法 |
CN108088288A (zh) * | 2017-10-31 | 2018-05-29 | 武汉科技大学 | 一种自激振荡腔体换热器 |
CN112949165A (zh) * | 2021-01-28 | 2021-06-11 | 哈尔滨工程大学 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
Non-Patent Citations (2)
Title |
---|
ZHAOHUI WANG等: "Multi‑objective parameters optimization design of self‑excited oscillation pulsed atomizing nozzle", 《JOURNAL OF THE BRAZILIAN SOCIETY OF MECHANICAL SCIENCES AND ENGINEERING (2019)》, vol. 41, no. 510, 25 October 2019 (2019-10-25), pages 1 - 12 * |
高全杰;王永龙;汪朝晖;: "脉动剪切层涡流运动下换热特性研究", 机械科学与技术, no. 05, 29 October 2018 (2018-10-29), pages 41 - 47 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050051A (zh) * | 2022-10-25 | 2023-05-02 | 中国核动力研究设计院 | 一种基于响应面模型的微流道换热器优化设计方法 |
CN116050051B (zh) * | 2022-10-25 | 2024-01-23 | 中国核动力研究设计院 | 一种基于响应面模型的微流道换热器优化设计方法 |
CN116776773A (zh) * | 2023-06-26 | 2023-09-19 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
CN116776773B (zh) * | 2023-06-26 | 2024-06-07 | 淮阴工学院 | 一种平直翅片管式换热器管型优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591365B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kanaris et al. | Optimal design of a plate heat exchanger with undulated surfaces | |
Kim et al. | Multi-objective optimization of a cooling channel with staggered elliptic dimples | |
Wansaseub et al. | Optimal U-shaped baffle square-duct heat exchanger through surrogate-assisted self-adaptive differential evolution with neighbourhood search and weighted exploitation-exploration | |
Dezan et al. | Heat transfer enhancement and optimization of flat-tube multilouvered fin compact heat exchangers with delta-winglet vortex generators | |
CN114741961A (zh) | 印刷电路板式换热器的翼型翅片排列结构优化方法和系统 | |
Rahnama et al. | Predicting and optimizing the thermal-hydraulic, natural circulation, and neutronics parameters in the NuScale nuclear reactor using nanofluid as a coolant via machine learning methods through GA, PSO and HPSOGA algorithms | |
CN113591365A (zh) | 一种自激振荡换热管多目标优化方法 | |
Cheng et al. | Multi-objective optimization of self-excited oscillation heat exchange tube based on multiple concepts | |
Velásquez et al. | Surrogate modeling method for multi-objective optimization of the inlet channel and the basin of a gravitational water vortex hydraulic turbine | |
Jiang et al. | Research on optimization of structural parameters for airfoil fin PCHE based on machine learning | |
Malanichev et al. | Pressure loss reduction in ventilation ducts by shape optimization of the removable profiled components | |
Cai et al. | Derivative-free level-set-based multi-objective topology optimization of flow channel designs using lattice Boltzmann method | |
Sun et al. | Compact Heat Exchanger Design and Testing for Advanced Reactors and Advanced Power Cycles | |
Nagappan et al. | CFD Analysis of Heat Exchanger Over a Staggered Tube Bank for Different Angle Arrangement of Tube Banks | |
CN113177371A (zh) | 一种反应堆堆芯组件流域流场顺次重构的cfd加速计算方法 | |
Janiga | A few illustrative examples of CFD-based optimization: heat exchanger, laminar burner and turbulence modeling | |
Park et al. | Flow control and optimal shape of headbox using CFD and SMOGA | |
Rodriguez-Cabal et al. | Pre-Proof File Optimizing the Overall Heat Transfer Coefficient of a Spiral Plate Heat Exchanger Using GAMS | |
Salimi et al. | Multi-Objective Optimization of Different Channel Shapes in Heat Exchangers | |
Vidya | Modeling and adjoint optimization of heat exchanger geometries | |
Raza et al. | Shape optimization of 19-pin wire-wrapped fuel assembly of LMR using multiobjective evolutionary algorithm | |
Mohamed | Numerical Simulation of Fluid flow and Heat Transfer Characteristics in Dimpled Jackets | |
Malakootikhah et al. | Developing a New Algorithm to Design Thermo-Vapor Compressors Using Dimensionless Parameters: A CFD Approach. Processes 2022, 10, 601 | |
Favaretto et al. | The development of a genetic algorithm code for secondary flow injection optimization in axial turbines | |
Kim | Optimizing Pin Fin Shapes In a Heat Sink: Investigating The Impact of Genetic Algorithm Parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |