Modeling and Hybrid Pareto Optimization of Cyclone Separators Using Group Method of Data Handling (GMDH) and Particle Swarm Optimization (PSO)

در اين تحقيق، يك الگوريتم بهينه سازي چند هدفي سه مرحلهاي براي جداكننده‌هاي سيكلوني و به منظور رسيدن به هدف‌هاي طراحي در نظر گرفته شده است. ابتدا افت فشار ?p و بازده مجموع ? در يك مجموعه‌ي جداكننده‌ي سيكلوني به صورت عددي محاسبه مي‌شود. سپس، دو مدل متا بر اساس شبه‌عصبي نوع GMDH براي مدل سازي ?p و ? به عنوان توابع مورد نياز و با توجه به ويژگي‌هاي هندسي در نظر گرفته شده است. از يك الگوريتم چند هدفي بر پايه‌ي بهينه سازي تجمعي ذره، ادغام چندگانه و عملگر جهش براي بهينه سازي پارتويي سيكلون‌ها و با توجه به دو تابع هدف متضاد استفاده شده است. با مقايسه نتايج بهينه‌سازي چندهدفه پارتويي دو مدل متا به دست آمده از MOPSO و الگوريتم ژنتيك چند هدفه NSGA II، روابط مهمي براي طراحي بهينه در عملكرد جداكننده‌هاي سيكلوني به دست آمده است.

In the present study, a three-step multi-objective optimization algorithm of cyclone separators is utilized for the design objectives. First, the pressure drop (?p) and collection efficiency (?) in a set of cyclone separators are numerically evaluated. Secondly, two meta models based on the evolved Group Method of Data Handling (GMDH) type neural networks are regarded to model the ?p and ? as the required functions of geometrical characteristics. Finally, a multi-objective (MO) algorithm based on hybrid of Particle Swarm Optimization (PSO), multiple crossover and mutation operator are used for Pareto based optimization of cyclones considering two conflicting objectives ?p and ?. By comparing the Pareto results of MOPSO with that of multi-objective genetic algorithms (NSGA II) regarding Pareto based multi-objective optimization of the obtained polynomial meta-models, it is shown that there are some interesting and important relationships as useful optimal design principles involved in the performance of cyclone separators.