طراحي بهينه مبدل گرمايي صفحه‌اي پره‌دار‌ با روش الگوريتم بهينه‌سازي زنبور عسل

Optimal design of plate-fin heat exchangers by a bees algorithm

اين مطالعه كاربرد الگوريتم زنبور عسل جهت طراحي بهينه مبدل گرمايي صفحه‌‌اي پره‌‌دار از ديدگاه اقتصادي را نشان مي‌دهد. از اين ‌رو بهينه‌سازي دو تابع هدف به طور جداگانه مورد بررسي قرار مي‌گيرد. در ابتدا كمينه‌سازي مساحت انتقال حرارت كه به طور اساسي با هزينه‌هاي سرمايه‌گذاري مبدل حرارتي مرتبط است و سپس كمينه كردن افت فشار كلي كه با هزينه‌هاي عملكرد مبدل حرارتي مرتبط مي‌باشد، تحت محدوديت‌هاي فضايي، وظيفه حرارتي و افت فشار مجاز بررسي مي‌شود. بر اساس كاربردها طول مبدل حرارتي، فركانس پره، تعداد لايه‌هاي پره‌، طول نيزه پره، ارتفاع پره و ضخامت پره جهت بهينه‌سازي مطرح مي‌شوند. همچنين قيود توسط تابع جريمه به كار برده مي‌شوند. كارايي و دقت الگوريتم پيشنهادي با يك نمونه مورد مطالعه از منابع موجود بررسي شده است. مقايسه نتايج موجود با نتايج متناظر به دست آمده از الگوريتم ژنتيك و اجتماع ذرات نشان مي‌دهد كه الگوريتم زنبور عسل در حالت كمينه‌سازي مساحت انتقال حرارت به ترتيب 18 % و 11% و در حالت كمينه‌سازي افت فشار به ترتيب 13% و 5/3% بهتر از نتايج به دست آمده از الگوريتم ژنتيك و اجتماع ذرات مي‌باشد. از اين رو براي مطالعه چنين تحقيقاتي، اين روش توصيه مي‌شود.

This study explores application of a bees algorithm (BA) for economic optimal design of plate-fin heat exchangers. Therefore the optimization is targeting two single-objective functions separately. The first is the minimum heat transfer area which is mainly associated with the capital cost of the heat exchanger and the other is minimum total pressure drop that represents the operating cost for specific heat duty requirement under given space restrictions. Based on applications, heat exchanger length, fin frequency, numbers of fin layers, lance length of fin, fin height and fin thickness of the heat exchanger are considered for optimization. The constraints are handled by penalty function method. Also, the effectiveness and accuracy of the proposed algorithm is demonstrated through a case study. Comparing the results with the corresponding results using genetic algorithm (GA) and particle swarm optimization (PSO) algorithm reveals that the bees algorithm can converge to optimum solution with higher accuracy.