CN114741961A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114741961A
CN114741961A CN202210328892.2A CN202210328892A CN114741961A CN 114741961 A CN114741961 A CN 114741961A CN 202210328892 A CN202210328892 A CN 202210328892A CN 114741961 A CN114741961 A CN 114741961A
Authority
CN
China
Prior art keywords
optimization
airfoil
agent model
initial
printed circuit
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.)
Pending
Application number
CN202210328892.2A
Other languages
English (en)
Inventor
王嘉冰
曾琳琅
杨昆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202210328892.2A priority Critical patent/CN114741961A/zh
Publication of CN114741961A publication Critical patent/CN114741961A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2115/00—Details relating to the type of the circuit
    • G06F2115/12—Printed circuit boards [PCB] or multi-chip modules [MCM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Architecture (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种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，属于印刷电路板制造技术领域，所述方法包括：将翼型翅片的排列几何参数无量纲化，通过试验设计和数值仿真得到样本集；将样本集中的训练集输入努赛尔数和阻力系数对应的代理模型；基于改进粒子群算法对二者初始值赋值，分别进行训练得到代理模型；以最大化努赛尔数和最小化阻力系数为优化目标，采用多目标优化算法对训练后的两个代理模型进行优化确定出Pareto前沿集；采用多目标决策方法获取最优妥协解，并利用其对应的优化变量优化翼型翅片排列结构。本发明解决了现有翼型翅片排列结构优化方法中存在的几何优化参数固定及入口速度范围受限、优化效率低等难点问题。

Description

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
技术领域
本发明属于印刷电路板制造技术领域，更具体地，涉及一种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。
背景技术
印刷电路板式换热器(Printed Circuit Heat Exchanger，PCHE)是一种新型紧凑高效的板式换热器，是由英国Heatric公司研制成功并已商业化生产，芯体采用光化学蚀刻工艺在换热板上蚀刻出微细通道，然后利用扩散焊接技术将流道扩散黏合叠加而成，换热芯体具有与原材料相同的力学性能，能够承受高温高压的极端运行工况。已广泛应用于海上天然气及油气加工、浮式液化天然气装置、高温反应堆中间冷却器和超临界二氧化碳布雷顿循环换热器等领域。
PCHE通道内流体的流动行为复杂，有着多处的漩涡和逆流等状态，提高流体的传热性能，但同时也会带来更大的压降。现有研究表明：工作流体的类型、流道几何形状和流道内几何结构均会对PCHE的流动和换热性能产生影响。PCHE通道类型一般分为两类：连续性和非连续型。连续型通道主要有直通道、Z型通道、S型通道，通道截面形状主要有半圆形、矩形、三角形、梯形。非连续型通道主要有非连续型的S型肋片和非连续型的翼型肋片，肋片主要通过增大传热面积和流道内的扰动来影响换热器的流动与换热特性。
为获得PCHE通道内翼型翅片的最佳排列形式，目前较为常规的优化方法是采用数值模拟和正交试验设计的方法，研究不同翼型翅片排列方式对通道内换热和压降的影响。然而，现有研究主要针对优化变量(水平距离、垂直距离、交错距离)在预先给定的若干固定参数下进行，通过对比获得优化的翅片排列几何参数组合，而无法在一定参数变化范围内寻优，因此翅片排列结构的最优化设计难以实现。本发明通过驱动尺寸和几何约束条件结合的方法对翼型翅片PCHE进行参数化三维建模，并结合CFD、代理模型及多目标优化算法，可实现在一定参数范围进行优化，而不是针对预先给定的若干固定参数进行优化。同时，现有技术直接将几何参数作为优化变量，针对特定的入口速度或流量进行优化，具有一定的局限性。本发明将相关几何参数无量纲化得到无因次优化设计变量，依据相似原理可扩展到不同几何尺寸、不同入口速度下的换热器优化设计。此外，现有优化方法过分依赖数值仿真而不具通用性，本发明采用代理模型可以代替大量的数值模拟计算过程，节约计算资源，缩短优化周期，提高优化过程的效率。常用代理模型为响应曲面法和Kriging法，本发明采用的是基于改进粒子群算法优化的BP神经网络，具有很强的非线性拟合能力，预测精度更高。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种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，其目的在于，通过对翼型翅片的相关几何参数无量纲化作为无因次优化设计变量，依据相似原理可扩展到不同几何尺寸、不同入口速度下的换热器优化设计，利用优化变量训练努赛尔数和阻力系数各自对应的代理模型，代替大量数值计算，有利于提高优化效率，然后采用多目标优化算法对训练后的两个代理模型进行优化确定出优化变量对应Pareto前沿集，从而获取设计所述翼型翅片排列结构对应的无因次优化变量ζs'、ζh'和ζv'；由此解决了现有翼型翅片排列结构优化方法中存在的几何优化参数固定及入口速度范围受限、优化效率低等难点问题。
为实现上述目的，按照本发明的一个方面，提供了一种印刷电路板式换热器的翼型翅片排列结构优化方法，包括：
S1：获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，所述排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
S2：将所述翼型翅片的排列几何参数无量纲化得到无因次优化变量；所述无因次优化变量包括：交错数ζs、水平数ζh和垂直数ζv；
S3：利用所述排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
S4：对所述优化变量进行试验设计和数值仿真得到样本集；
S5：建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
S6：将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并利用改进粒子群优化算法为两个初始代理模型赋予初始权值和阈值，并分别对二者进行训练得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
S7：以最大化Nu和最小化f为优化目标，采用多目标优化算法对所述第一目标代理模型和所述第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从所述Pareto前沿集获取最优妥协解；
S8：利用所述最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计所述翼型翅片排列结构。
在其中一个实施例中，所述S2包括：
将所述翼型翅片的排列几何参数无量纲化得到所述无因次优化变量；所述交错数为：
Figure BDA0003572460160000031
所述水平数为：
Figure BDA0003572460160000032
所述垂直数为
Figure BDA0003572460160000033
其中Lc为翼型翅片弦长。
在其中一个实施例中，所述S3包括：
为保证PCHE的通道沿流动方向和垂直于流动方向上结构完整，设置所述通道长度和所述通道宽度需满足以下约束条件：
Figure BDA0003572460160000041
L表示所述通道长度，W表示所述通道宽度，m为沿流动方向翼型翅片的数量，n为垂直于流动方向翼型翅片的列数，Lc为翼型翅片弦长，Lt为翼型翅片厚度。
在其中一个实施例中，所述样本集包括训练集和测试集，所述S4包括：
采用全因子设计算法对所述优化变量进行样本扩充得到所述训练集；
采用优化拉丁超立方算法对所述优化变量进行样本扩充得到所述测试集，所述测试集用于对所述第一目标代理模型和所述第二目标代理模型进行精度测试。
在其中一个实施例中，所述S6中：
所述第一初始代理模型和所述第二初始代理模型为：人工神经网络或支持向量机建立的代理模型；
当所述第一目标代理模型和所述第二目标代理模型为BP神经网络时，二者的输出层均仅包含一个神经元。
在其中一个实施例中，所述S7中：
所述多目标优化算法为：多目标遗传算法、多目标进化算法或多目标粒子群算法；
所述多目标决策方法为：加权法、层次分析法或理想点法。
在其中一个实施例中，所述S7之后，所述S8之前，所述方法还包括：
对所述最优妥协解和最大化Nu或最小化f对应的单目标最优解进行计算流体动力学CFD验证；
若所述最优妥协解对应的Nu和f代理模型预测值与CFD计算结果的相对误差低于误差阈值，则满足精度要求；
将满足精度要求的最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'作为所述PCHE翼型翅片的最佳设计参数；否则补充所述样本集的样本点，重复步骤S4-S7直至所述相对误差满足精度要求。
一种印刷电路板式换热器的翼型翅片排列结构优化系统，包括：
获取模块，用于获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，所述排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
量化模块，用于将所述翼型翅片的排列几何参数无量纲化得到无因次优化变量；所述无因次优化变量包括：交错数ζs、水平数ζh和垂直数ζv；
约束模块，用于利用所述排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
采样模块，用于对所述优化变量进行试验设计和数值仿真得到样本集；
构建模块，用于建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
训练模块，用于将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并基于改进粒子群优化算法使二者对努赛尔数Nu和阻力系数f分别进行训练，得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
优化模块，用于以最大化Nu和最小化f为优化目标，采用多目标优化算法对所述第一目标代理模型和所述第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从所述Pareto前沿集获取最优妥协解；
设计模块，用于利用所述最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计所述翼型翅片排列结构。
通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明通过对翼型翅片的排列相关几何参数进行无量纲化作为优化设计变量，采用驱动尺寸和几何约束条件结合的方法对翼型翅片PCHE参数化三维建模，并结合CFD、代理模型及多目标优化算法，可实现在一定参数范围进行优化，而不是针对预先给定的若干固定参数进行优化。同时，不同于现有技术直接将几何参数作为优化变量，本发明将几何参数无量纲化作为无因次优化设计变量，依据相似原理可扩展到不同几何尺寸、不同入口速度下的换热器优化设计；
(2)本发明采用基于改进粒子群优化的BP神经网络作为代理模型，在传统PSO优化算法上对其惯性权重和因子进行了改进，提高了其全局寻优性能，由于粒子群算法可以在更大的空间内搜索，克服了传统的BP神经网络采用误差反向传播来调整网络连接权值，从而容易陷入局部最优解的缺点，提高了预测精度；
(3)本发明采用代理模型来预测每代种群的性能参数，代替了大量的数值模拟计算过程，节约了计算资源，缩短了优化周期，提高了优化过程的效率；
(4)本发明通过多目标遗传算法对优化变量进行优化，得到了Pareto前沿解。实际应用中，可以根据工程需要以及不同子目标的优先级和比重，选取相应条件下的最优设计，使各个子目标都尽可能地满足需求，提升优化效率和设计精度。
综上所述，通过本发明能够高效地得到印刷电路板式换热器翼型翅片最优排列结构，该最优排列结构具有较高的换热性能和较低的流动阻力，使得换热器综合性能更优，满足所需工况要求，且与现有技术代理模型多采用响应曲面法和Kriging法相比，本发明方法所获得代理模型精度更高、最优排列结构的预测性能与数值模拟结果误差更小，解决了现有翼型翅片排列结构优化方法中存在的几何优化参数固定及入口速度范围受限、优化效率低等难点问题，可为换热器翅片排列结构优化设计提供指导。
附图说明
图1为本发明一实施例中提供印刷电路板式换热器的翼型翅片排列结构优化方法的流程示意图；
图2为本发明一实施例中翼型翅片PCHE几何模型示意图；
图3为本发明一实施例中PSO-BP优化流程图；
图4为本发明一实施例中努赛尔数Nu和阻力系数f的Pareto前沿解图；
图5为本发明一实施例中雷诺数Re＝10000时最优妥协解与单目标最优解的几何模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供一种印刷电路板式换热器的翼型翅片排列结构优化方法，包括：
S1：获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
S2：将翼型翅片的排列几何参数无量纲化得到无因次优化变量；优化变量包括：交错数ζs、水平数ζh和垂直数ζv；
S3：利用排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
S4：对所述优化变量进行试验设计和数值仿真得到样本集；
S5：建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
S6：将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并利用改进粒子群优化算法为两个初始代理模型赋予初始权值和阈值，并分别对二者进行训练得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
S7：以最大化Nu和最小化f为优化目标，采用多目标优化算法对第一目标代理模型和第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从Pareto前沿集获取最优妥协解；
S8：利用最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计翼型翅片排列结构。
在其中一个实施例中，S2包括：
将翼型翅片的排列几何参数无量纲化得到优化变量；交错数为：
Figure BDA0003572460160000081
水平数为：
Figure BDA0003572460160000082
垂直数为
Figure BDA0003572460160000083
其中Lc为翼型翅片弦长。
如图2所示，举例来说，采用沿流体流动方向考虑10个最小周期性结构所构成的单通道，采用目前应用广泛的NACA 0020翼型(Lt/Lc＝0.2)作为PCHE流道内的翅片。采用SolidWorks建立三维模型，将交错距离Ls、水平距离Lh和垂直距离Lv标注为驱动尺寸，导入Workbench将相关参数作为优化设计变量。将翼型翅片排列的3个几何参数无量纲化作为无因次优化设计变量，如下表所示：
Figure BDA0003572460160000084
表1
在其中一个实施例中，S3包括：
为保证PCHE的通道沿流动方向和垂直于流动方向上结构完整，设置通道长度和通道宽度需满足以下约束条件：
Figure BDA0003572460160000091
L表示通道长度，W表示通道宽度，m为沿流动方向翼型翅片的数量，n为垂直于流动方向翼型翅片的列数，Lc为翼型翅片弦长，Lt为翼型翅片厚度。
具体的，PCHE流道的长度L和宽度W随着交错距离Ls、水平距离Lh和垂直距离Lv的改变而变化，沿流体流动方向考虑10个最小周期性结构，翅片首尾两端向进口及出口各延伸半个翼型翅片弦长。为保证通道沿流动方向和垂直于流动方向上结构完整，流道长度L和宽度W按以下方式确定：
Figure BDA0003572460160000092
在其中一个实施例中，样本集包括训练集和测试集，S4包括：
采用全因子设计算法对优化变量进行样本扩充得到训练集；
采用优化拉丁超立方算法对优化变量进行样本扩充得到测试集，测试集用于对第一目标代理模型和第二目标代理模型进行精度测试。
举例来说，试验样本采集分为两部分，分别采用全因子设计和优化拉丁超立方得到125和25个样本点。试验设计的因子和水平如下表所示：
Figure BDA0003572460160000093
表2
在其中一个实施例中，S6中：第一初始代理模型和第二初始代理模型为：人工神经网络或支持向量机建立的代理模型。
在其中一个实施例中，第一目标代理模型和第二目标代理模型为基于改进粒子群优化的BP神经网络，其输出层均仅包含一个神经元。
举例来说，将采样得到的125和25个样本集分别作为BP神经网络的训练集和测试集。对于本案例，输入层包含3个神经元，分别为垂直数ζv、水平数ζh、交错数ζs，使用BP神经网络对努赛尔数Nu和阻力系数f分别进行训练，得到两个人工神经网络，对单个人工神经网络其输出层仅包含1个神经元。
隐含层神经元个数对神经网络的精度有很大影响，选择合适的隐含层神经元个数是至关重要的，用于选择最佳的神经网络体系结构的偏差是均方误差(MSE)，
Figure BDA0003572460160000101
算法中相关参数设置描述如下：神经网络学习步长为0.01，最大训练次数为200，最小均方误差为1×10-6。
在一个实施例中，当初始代理模型为BP神经网络时，基于所述改进粒子群优化算法对代理模型赋初值的过程包括：对粒子群算法的权值和学习因子进行优化得到改进后的粒子群算法，将代理模型的初始权值和阈值编码成粒子，获取适应度最小值对应的最优初始权值和阈值，并赋值给代理模型。
具体的，采用改进粒子群优化算法(PSO)对BP神经网络进行优化，得到最优的网络权值和阈值，优化流程如图3所示。将BP神经网络各层的连接权值编码成粒子，适应度值则为使用该组权值时的网络输出均方误差(MSE)，在预设的迭代次数内搜索最优的网络权值和阈值，并训练优化好的BP神经网络。
粒子的速度和位置迭代公式如下：
Figure BDA0003572460160000102
其中为惯性权重；分别为个体学习因子和社会学习因子；为(0,1)之间的随机数；为迭代次数；为第个粒子的速度；为第个粒子的局部最优位置，为粒子群的全局最优位置，为第个粒子的位置。
为平衡全局搜索能力和局部改良能力，本发明采用非线性惯性权重：
Figure BDA0003572460160000111
其中，为惯性权重上界，为惯性权重下界，为当前迭代次数，为最大迭代次数。
本发明采用异步学习因子，表达式为：
Figure BDA0003572460160000112
其中：，分别为学习因子，的初始值，，分别为学习因子，的终止值。
举例来说，粒子群规模设置为50，终止代数为。惯性权重。。
在其中一个实施例中，S7中：多目标优化算法为：多目标遗传算法、多目标进化算法或多目标粒子群算法；多目标决策方法为：加权法、层次分析法或理想点法。
举例来说，采用NSGA-Ⅱ进行多目标优化设计。参数设定为：种群数量为200，最大遗传代数为500，交叉概率为0.9，遗传算法终止准则设置为达到最大遗传代数或者种群适应度收敛停滞。最终得出Pareto前沿集，采用逼近理想点排序法(TOPSIS)从Pareto前沿集中选出最优妥协解。
其中TOPSIS具体计算步骤如下：
步骤1：输入待决策矩阵，其中表示第个评价对象，第个评价指标的值。步骤2：对所有指标正向化处理，并对矩阵用向量规范法求得规范决策矩阵，
Figure BDA0003572460160000113
步骤3：确定正理想解和负理想解：
Figure BDA0003572460160000121
Figure BDA0003572460160000122
步骤4：定义第个评价对象到正理想解距离和负理想解距离；
Figure BDA0003572460160000123
步骤5：计算第个评价对象与理想方案的贴近度
Figure BDA0003572460160000124
步骤6：按降序排列的优劣次序选出最大所对应的方案。
举例来说，计算工质采用氦气；湍流模型选择剪切应力输运(Shear StressTransport，SST)k-ω模型。入口边界条件设置为速度入口，入口速度由雷诺数Re决定，入口雷诺数Re＝10000；出口设置为压力出口，出口压力Pout＝7.73MPa；通道两侧设置为周期性边界条件，上下壁面和翼型翅片表面设置为恒定壁温条件，壁面温度Tw＝873.15K。求解压力和速度的耦合方程采用SIMPLEC算法，离散化设置中湍动能、湍流耗散率、能量都选用QUICK格式。当连续型方程、动量方程的残差小于10-3，能量方程残差小于10-6，并且残差值趋于稳定，监测出口质量流量和温度不变时，认为数值计算收敛。
在其中一个实施例中，S7之后，S8之前，本发明提供的方法还包括：
对最优妥协解和最大化Nu或最小化f对应的单目标最优解进行计算流体动力学CFD验证；
若最优妥协解对应的Nu和f代理模型预测值与CFD计算结果的相对误差低于误差阈值，则满足精度要求；
将满足精度要求的最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'作为所述PCHE翼型翅片的最佳设计参数；否则补充样本集的样本点，重复步骤S4-S7直至相对误差满足精度要求。
本发明的多目标优化结果如图4所示，图4为努赛尔数Nu和阻力系数f的Pareto前沿集，可以看出，优化后的Pareto最优解集构成了一条下凹曲线，这条曲线上的所有点均为非劣解，即表明单独追求换热量最大势必造成流动阻力的过多增加，而单独追求流动性能最好亦会造成换热性能的过多恶化。
表3显示了优化前方案、最优妥协解与单目标最优解的神经网络和数值计算结果，其中性能系数(Performance Factor,PF)定义为：
Figure BDA0003572460160000131
Case A对应阻力系数f最小的方案，Case B对应TOPSIS最优妥协解的方案，Case C对应综合性能PF最大的方案，Case D对应努赛尔数Nu最大的方案，Case E对应现有的方案。图5为在Re＝10000工况下，以努赛尔数Nu和阻力系数f为优化目标对PCHE翼型翅片(Lt/Lc＝0.2)进行多目标优化，获得的最优妥协解与单目标最优解的几何模型示意图。
从表3中可以看出，神经网络预测结果与数值计算结果基本相符，努塞特数Nu和阻力系数f的相对误差非常小。可知最优妥协解Case B和综合性能评价因子最大的Case C的流动换热性能相差不大，与流动阻力最小的CaseA相比，Case B的阻力系数f增大了25.17％，但其努赛尔数Nu提高了14.22％，综合性能评价因子PF提升5.44％。与换热性能最强的Case C相比，Case B的努赛尔数Nu降低了10.29％，但阻力系数f显著降低了113.25％，综合性能评价因子PF提高14.31％。与优化前的方案Case E相比，最优妥协解的努赛尔数Nu提高了12.38％，而阻力系数f仅增加了10.8％，综合性能评价因子PF提高6.27％。在强化传热的过程中，提高换热性能通常会比减少流动阻力更加困难，最优妥协解可以满足在不过多减小换热性能的前提下确保较低的流动阻力。
Figure BDA0003572460160000132
Figure BDA0003572460160000141
表3
本发明还提供一种印刷电路板式换热器的翼型翅片排列结构优化系统，包括：
获取模块，用于获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
量化模块，用于将翼型翅片的排列几何参数无量纲化得到无因次优化变量；优化变量包括：交错数ζs、水平数ζh、垂直数ζv；
约束模块，用于利用排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
采样模块，用于对所述优化变量进行试验设计和数值仿真得到样本集；
构建模块，用于建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
训练模块，用于将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并利用改进粒子群优化算法为两个初始代理模
型赋予初始权值和阈值，并分别对二者进行训练得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
优化模块，用于以最大化Nu和最小化f为优化目标，采用多目标优化算法对第一目标代理模型和第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从Pareto前沿集获取最优妥协解；
设计模块，用于利用最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计翼型翅片排列结构。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，包括：
S1：获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，所述排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
S2：将所述翼型翅片的排列几何参数无量纲化得到无因次优化变量；所述无因次优化变量包括：交错数ζs、水平数ζh和垂直数ζv；
S3：利用所述排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
S4：对所述优化变量进行试验设计和数值仿真得到样本集；
S5：建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
S6：将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并利用改进粒子群优化算法为两个初始代理模型赋予初始权值和阈值，并分别对二者进行训练得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
S7：以最大化Nu和最小化f为优化目标，采用多目标优化算法对所述第一目标代理模型和所述第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从所述Pareto前沿集获取最优妥协解；
S8：利用所述最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计所述翼型翅片排列结构。
2.如权利要求1所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述S2包括：
将所述翼型翅片的排列几何参数无量纲化得到所述无因次优化变量；所述交错数为：
Figure FDA0003572460150000011
所述水平数为：
Figure FDA0003572460150000012
所述垂直数为
Figure FDA0003572460150000013
其中Lc为翼型翅片弦长。
3.如权利要求1所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述S3包括：
为保证PCHE的通道沿流动方向和垂直于流动方向上结构完整，设置所述通道长度和所述通道宽度需满足以下约束条件：
Figure FDA0003572460150000021
L表示所述通道长度，W表示所述通道宽度，m为沿流动方向翼型翅片的数量，n为垂直于流动方向翼型翅片的列数，Lc为翼型翅片弦长，Lt为翼型翅片厚度。
4.如权利要求1所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述样本集包括训练集和测试集，所述S4包括：
采用全因子设计算法对所述优化变量进行样本扩充得到所述训练集；
采用优化拉丁超立方算法对所述优化变量进行样本扩充得到所述测试集，所述测试集用于对所述第一目标代理模型和所述第二目标代理模型进行精度测试。
5.如权利要求1所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述S6中：
所述第一初始代理模型和所述第二初始代理模型为：根据人工神经网络或支持向量机建立的代理模型；
当所述第一目标代理模型和所述第二目标代理模型为神经网络时，二者的输出层均仅包含一个神经元。
6.如权利要求1所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述S7中：
所述多目标优化算法为：多目标遗传算法、多目标进化算法或多目标粒子群算法；
所述多目标决策方法为：加权法、层次分析法或理想点法。
7.如权利要求1-6任一项所述的印刷电路板式换热器的翼型翅片排列结构优化方法，其特征在于，所述S7之后，所述S8之前，所述方法还包括：
对所述最优妥协解和最大化Nu或最小化f对应的单目标最优解进行计算流体动力学CFD验证；
若所述最优妥协解对应的Nu和f代理模型预测值与CFD计算结果的相对误差低于误差阈值，则满足精度要求；
将满足精度要求的最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'作为所述PCHE翼型翅片的最佳设计参数；否则补充所述样本集的样本点，重复步骤S4-S7直至所述相对误差满足精度要求。
8.一种印刷电路板式换热器的翼型翅片排列结构优化系统，其特征在于，包括：
获取模块，用于获取印刷电路板式换热器PCHE中翼型翅片的排列几何参数，所述排列几何参数包括：交错距离Ls、水平距离Lh、垂直距离Lv；
量化模块，用于将所述翼型翅片的排列几何参数无量纲化得到无因次优化变量；所述优化变量包括：交错数ζs、水平数ζh和垂直数ζv；
约束模块，用于利用所述排列几何参数对PCHE的通道长度和通道宽度进行几何条件约束；
采样模块，用于对所述优化变量进行试验设计和数值仿真得到样本集；
构建模块，用于建立PCHE努赛尔数Nu对应的第一初始代理模型和PCHE阻力系数f对应的第二初始代理模型；
训练模块，用于将所述样本集中的训练集输入所述第一初始代理模型和所述第二初始代理模型，并利用改进粒子群优化算法为两个初始代理模型赋予初始权值和阈值，并分别对二者进行训练得到Nu对应的第一目标代理模型和f对应的第二目标代理模型；
优化模块，用于以最大化Nu和最小化f为优化目标，采用多目标优化算法对所述第一目标代理模型和所述第二目标代理模型进行优化确定出优化变量对应Pareto前沿集；采用多目标决策方法从所述Pareto前沿集获取最优妥协解；
设计模块，用于利用所述最优妥协解对应的无因次优化变量ζs'、ζh'和ζv'设计所述翼型翅片排列结构。
CN202210328892.2A 2022-03-30 2022-03-30 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 Pending CN114741961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210328892.2A CN114741961A (zh) 2022-03-30 2022-03-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210328892.2A CN114741961A (zh) 2022-03-30 2022-03-30 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

Publications (1)

Publication Number Publication Date
CN114741961A true CN114741961A (zh) 2022-07-12

Family

ID=82278694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210328892.2A Pending CN114741961A (zh) 2022-03-30 2022-03-30 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

Country Status (1)

Country Link
CN (1) CN114741961A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659847A (zh) * 2022-12-09 2023-01-31 成都佰维存储科技有限公司 散热器优化方法、装置、可读存储介质及电子设备
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
CN116341372A (zh) * 2023-03-02 2023-06-27 中国石油大学(华东) 一种基于人工神经网络的换热器性能预测及优化方法

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN115659847A (zh) * 2022-12-09 2023-01-31 成都佰维存储科技有限公司 散热器优化方法、装置、可读存储介质及电子设备
CN116341372A (zh) * 2023-03-02 2023-06-27 中国石油大学(华东) 一种基于人工神经网络的换热器性能预测及优化方法
CN116341372B (zh) * 2023-03-02 2024-01-23 中国石油大学(华东) 一种基于人工神经网络的换热器性能预测及优化方法

Similar Documents

Publication Publication Date Title
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
Ma et al. Airfoil optimization to improve power performance of a high-solidity vertical axis wind turbine at a moderate tip speed ratio
Kim et al. Multi-objective optimization of a cooling channel with staggered elliptic dimples
Aulich et al. High-dimensional constrained multiobjective optimization of a fan stage
CN104317997A (zh) 一种高负荷风扇/压气机端壁造型优化设计方法
CN110309571B (zh) 基于径向基函数模型的翼身融合水下滑翔机外形优化方法
Sivashanmugam et al. Aero-structural optimization of an axial turbine stage in three-dimensional flow
Velásquez et al. Surrogate modeling method for multi-objective optimization of the inlet channel and the basin of a gravitational water vortex hydraulic turbine
Simao Ferreira et al. Airfoil optimization for stall regulated vertical axis wind turbines
Abdelghafar et al. Optimum geometry of seashell-shaped wind turbine rotor: Maximizing output power and minimizing thrust
CN116776773B (zh) 一种平直翅片管式换热器管型优化系统及方法
Oksuz et al. Aerodynamic optimization of turbomachinery cascades using Euler/boundary-layer coupled genetic algorithms
CN113591365A (zh) 一种自激振荡换热管多目标优化方法
Cardoso Netto et al. Surrogate-based design optimization of a h-darrieus wind turbine comparing classical response surface, artificial neural networks, and kriging
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法
Li et al. Multidisciplinary optimization design of long blade turbine stage based on parallel self-adaptive multi-objective differential evolution algorithm
Dickel et al. Optimization of a non-axisymmetric endwall contour for front-loaded high-lift low pressure turbines
O¨ ksu¨ z et al. Axial turbine blade aerodynamic optimization using a novel multi-level genetic algorithm
Luo et al. Multiobjective optimization approach to multidisciplinary design of a three-dimensional transonic compressor blade
Moshtaghzadeh et al. Prediction of Wind Turbine Airfoil Performance Using Artificial Neural Network and CFD Approaches.
Kumar et al. Design optimization of a horizontal axis tidal stream turbine blade using CFD
Song et al. Multi-objective and multi-disciplinary optimization of gas turbine blade profile and cooling system using conjugate heat transfer analysis
CN114997084B (zh) 一种冲击式水轮机斗叶型线优化方法
Abdollahi et al. Combining artificial intelligence and computational fluid dynamics for optimal design of laterally perforated finned heat sinks
Zhang et al. Optimized design of wind turbine airfoil aerodynamic performance and structural strength based on surrogate model

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