تلفیق شبکه عصبی و الگوریتم های تکاملی برای بهینه سازی عملکرد حرارتی-هیدرولیکی کانال های ریب دار

در بسیاری از سیستم های پیشرفته مهندسی نظیر توربین های گازی، استفاده از ریب ها (برجستگی ها) راهکاری متداول برای افزایش آشفتگی جریان و بهبود انتقال حرارت است؛ با این حال، این عمل همواره با جریمه افزایش افت فشار همراه است. پژوهش حاضر به بهینه سازی چندهدفه هندسه کانال خنک کاری ریب دار با هدف بیشینه سازی عدد ناسلت و کمینه سازی افت فشار می پردازد. بدین منظور، ابتدا جریان سیال تراکم ناپذیر با استفاده از دینامیک سیالات محاسباتی (CFD) و مدل آشفتگی کی-اپسیلون شبیه سازی و نتایج آن با داده های تجربی معتبر صحت سنجی گردید. سپس به منظور کاهش هزینه محاسباتی بالای حل عددی در فرآیند بهینه سازی، یک شبکه عصبی مصنوعی با استفاده از ۳۲۰ داده حاصل از شبیه سازی آموزش داده شد که ضریب تعیین (R²) ۹۹/۰ را ارائه داد. در نهایت، با پیاده سازی یک الگوریتم ترکیبی شامل ژنتیک (GA) و ازدحام ذرات (PSO) بر روی مدل شبکه عصبی، جبهه پارتو بهینه برای متغیرهای هندسی (پهنا، ارتفاع و گام ریب ها) استخراج شد. مقایسه نتایج حاصل با بهینه سازی مستقیم عددی نشان می دهد که روش پیشنهادی ضمن حفظ دقت در محدوده قابل قبول (خطای کمتر از ۵ درصد)، سرعت همگرایی و راندمان محاسباتی را به طرز چشمگیری بهبود می بخشد.

کلیدواژه ها:

خنک کاری کانال ریب دار ، دینامیک سیالات محاسباتی ، شبکه عصبی مصنوعی ، الگوریتم ترکیبی ژنتیک-ازدحام ذرات ، بهینه سازی چندهدفه