بهينه‌سازي هندسي لوله گردابه‌اي جريان مخالف با استفاده از شبكه عصبي مصنوعي و الگوريتم ژنتيك

Geometric optimization of counter-flow vortex tube using artificial neural network and genetic algorithm

در كار حاضر تأثير پارامترهاي هندسي بر راندمان لوله گردابه‌اي مورد مطالعه و بهينه‌سازي قرار گرفته‌است. پارامترهاي تأثير گذار بر بازده اين وسيله از نوع هندسي و جرياني مي‌باشد. با توجه به اين كه مطالعات فراواني در زمينه بهينه‌سازي پارامترهاي هندسي انجام شده اما اغلب مطالعات انجام شده به صورت موردي بوده ‌است؛ يعني در يك حوزه به خصوص از تغييرات آن كميت هندسي به ازاي چند اندازه اثرات پارامتر بر بازده لوله گردابه‌اي بررسي شده ‌است. دركار حاضر؛ ابتدا با استفاده از نرم‌افزار تجاري انسيس-فلوئنت جريان درون يك لوله گردابه‌اي در گستره مجاز تغييرات پارامترهاي هندسي جريان حل عددي شده و به كمك جواب‌هاي بدست آمده، الگوريتم شبكه عصبي آموزش ديده‌است. سپس شبكه عصبي آموزش ديده ورودي الگوريتم بهينه‌سازي ژنتيك، قرار گرفته تا متغيرهاي تأثير گذار هندسي بهينه بدست آيند. در اين بهينه‌سازي، تابع هدف براي دست‌يابي به بيش‌ترين كاهش دما در خروجي سرد انتخاب شده ‌است. نتايج نشان داد كه افزايش نسبت طول به قطر لوله پس از حدود عدد ۴۵ تأثيري در ظرفيت تبريد ندارد و بهترين مقدار آن آن ۲۳٫۱۵ مي‌باشد. نسبت قطر اوريفيس خروجي سرد به قطر لوله گردابه‌اي حدود ۰٫۵ بوده و پس‌ازآن سير كاهشي به خود مي‌گيرد. تأثير افزايش در نسبت قطر نازل ورودي به قطر لوله گردابه‌اي نشان داد كه تأثير اين پارامتر همواره نزولي است. در بازه مورد نظر زاويه مخروطي، ظرفيت تبريد لوله گردابه‌اي سير نزولي دارد و بهترين مقدار آن نيز ۲۳٫۴ است. هم‌چنين طول مخروطي انتهاي گرم لوله گردابه‌اي، تأثيري در ظرفيت تبريد نداشت.

In the present work, the effect of geometric parameters on the efficiency of a vortex tube has been studied and optimized. Considering that many studies have been done in the optimization of geometric parameters, most of the studies have been done on a case-by-case basis. In the present work; First, the flow inside a vortex tube is numerically solved using the Ansys-Fluent commercial software, and with the help of the obtained results, the neural network algorithm is trained. Then the trained neural network has been selected as the input of the genetic algorithm to obtain optimized geometric influencing factors. In this optimization, the fitness function is selected to achieve the maximum temperature reduction in the cold output. The results showed that increasing the ratio of length to the diameter of the tube after about 45 has no effect on cooling capacity and its best value is 23.15. The ratio of the diameter of the cold outlet orifice to the diameter of the vortex tube is about 0.5 and after that, it will decrease. Increasing the ratio of the inlet nozzle diameter to the diameter of the vortex tube showed that the effect of this parameter is always decreasing. In the desired angle of the conical valve, the cooling capacity of the vortex tube has a descending path and its best value is 23.4. Also, the conical length did not affect the cooling capacity. Keywords: Vortex tube, artificial neural network, cooling capacity, genetic algorithm.