بررسی آزمایشگاهی و مدلسازی ریاضی تاثیر هندسه لوله های مار پیچ بر انتقال حرارت و افت فشار سیال

با توجه به استفاده گسترده از مبدل های حرارتی در صنایع مختلف، با افزایش کارایی آن ها می توان میزان هزینه ها را به صورت قابل ملاحظه ای کاهش داد. همچنین با بالا رفتن میزان انتقال حرارت در مبدل ها می توان از اندازه های کوچکتر آن ها استفاده کرد. یکی از روش های افزایش انتقال حرارت در مبدل ها استفاده از لوله هایی با هندسه مناسب می باشد. استفاده از لوله های مارپیچ یک نمونه از روش های افزایش انتقال حرارت غیرفعال است. در صورت وجود یک مدلسازی دقیق جهت پیش بینی میزان انتقال حرارت و افت فشار در مبدل ها می توان به طراحی مناسب با حداکثر بازده دست یافت. در این تحقیق، میزان انتقال حرارت و افت فشار در لوله های مارپیچ با ابعاد متفاوت به صورت آزمایشگاهی اندازه گیری شده است. سه لوله مسی با قطر پیچش متفاوت و نیز فاصله گام مختلف برای هر لوله (جمعا" 9 مورد) در آزمایشات به کار برده شدند. لوله ها درون یک ظرف حمام آب سرد قرار داده شدند در حالی که آب گرم درون لوله ها در جریان بود. کمیت های مورد نیاز از قبیل دما، فشار و سرعت جریان با استفاده از ابزارهای مناسب اندازه گیری شده و برای بیان راحت تر میزان انتقال حرارت و افت فشار مقادیر عدد ناسلت و ضریب اصطکاک محاسبه شدند. نتایج بیانگر این است که کاهش قطر پیچش و همینطور کاهش فاصله گام موجب افزایش عدد ناسلت و ضریب اصطکاک خواهد شد. بنابر این نتایج مفید (افزایش انتقال حرارت) و غیر مفید (افزایش افت فشار) به طور همزمان روی می دهند که نیازمند قضاوتی علمی در مورد مناسب بودن ابعاد می باشد. برای این منظور کمیتی به نام "نسبت عملکرد حرارتی- هیدرولیکی" تعریف شد. نتایج حاکی از آن است که بیشترین مقدار نسبت عملکرد در کمترین قطر پیچش و کمترین فاصله گام حاصل می شود. نتایج بدست آمده از آزمایشات جهت مدلسازی توسط تکنیک های هوش مصنوعی مورد استفاده قرار گرفتند. تکنیک های مورد استفاده شامل: الگوریتم ژنتیک، شبکه های عصبی مصنوعی و سیستم های استنتاج تطبیقی عصبی- فازی می باشند. در مدلسازی، عدد ناسلت و ضریب اصطکاک به عنوان خروجی های مدل، و ابعاد هندسیِ لوله های مارپیچ و همینطور مشخصه های جریان به عنوان متغیرهای ورودی در نظر گرفته شدند. ثابت های دو معادله تجربی جهت تخمین ضریب اصطکاک و عدد ناسلت با استفاده از تکنیک الگوریتم ژنتیک بهینه شدند، که نتایج بیانگر دقت بالای این فرمول ها در پیش بینی مشخصه های انتقال حرارت و افت فشار است. همینطور دو شبکه عصبی مصنوعی و دو شبکه عصبی- فازی با استفاده از روش های مناسب جهت پیش بینی عدد ناسلت و ضریب اصطکاک در لوله های مارپیچ آموزش داده شدند. نتایج نشان دهنده دقت بالاتر شبکه های عصبی مصنوعی نسبت به دو مدل دیگر است. ولی دو روش دیگر نیز دارای ویژگی های مثبتی می باشند، از جمله راحتی استفاده از معادلات برازش شده توسط الگوریتم ژنتیک یا سرعت بالای رسیدن به پاسخ نهایی در سیستم های استنتاج تطبیقی عصبی- فازی.