بهینه سازی چندهدفی شکل صفحۀ فداشونده در گرم کننده‌های نیروگاه شهر شازند با استفاده از ترکیب CFD و الگوریتم NSGA II

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مهندسی مکانیک، دانشگاه اراک، اراک، ایران

2 شرکت مدیریت تولید برق شازند، شازند، ایران

3 دانشکده مهندسی مکانیک، دانشگاه صنعتی امیرکبیر، تهران، ایران

چکیده

استفاده از گرم کننده­های فشار بالا در صنایع مختلف نفت و گازی و نیروگاهی همانند نیروگاه شهر شازند بسیار مرسوم است. در نیروگاه مذکور جهت محافظت از تیوب شیت، از روش­های مختلفی همانند استفاده از صفحۀ فداشونده در ورودی سمت لوله­ها و پیش از تیوب شیت استفاده می­گردد. هدف از این مقاله یافتن شکل بهینۀ صفحۀ فداشونده به صورت چندهدفی با استفاده از ترکیب دینامیک سیالات محاسباتی و الگوریتم های بهینه سازی چندهدفی می باشد. با پارامتری نمودن هندسه، صفحۀ فداشونده کاملاً آزادانه می­تواند در شکل­های مختلف تغییر شکل دهد به نحوی که به صورت همزمان: بیشنیۀ سرعت ظاهر شده در گرم کننده (که در میزان فرسایش، خوردگی و کاویتاسیون مؤثر می باشد) و همچنین نیروی وارده بر صفحۀ فداشونده کمینه گردند. خروجی نهایی این فرآیند، نمودار بسیار مهم و پرکاربرد به نام نمودار پارتو می­باشد که در قسمت نتایج ارائه شده و مورد بحث قرار خواهد گرفت. با استفاده از این نمودار نکات طراحی بسیار زیادی را می توان استخراج نمود که تنها با استفاده از رویکرد ارائه شده در این مقاله یعنی ترکیب دینامیک سیالات محاسباتی و بهینه سازی چندهدفی قابل استخراج می باشد. در پایان لازم به ذکر است که فرآیند بهینه سازی چندهدفی در دو مرحلۀ جداگانه انجام شده است به نحوی که در یک مرحله ضخامت صفحۀ فداشونده می­بایست ثابت بماند (شرایط فعلی نصب شده در نیروگاه) و در حالت دوم ضخامت صفحه فداشونده نیز می­تواند تغییر نماید.

کلیدواژه‌ها

موضوعات


 [1] Sanaye S. and Hajabdollahi H., Multi-objective optimization of shell and tube heat exchangers, Applied Thermal Engineering, Vol. 30, pp. 1937-1945, 2010.
[2] Costa L.H. and Queiroz M., Design optimization of shell-and-tube heat exchangers. Applied Thermal Engineering, Vol. 28, pp. 1798-1805, 2008.
[3] Ramananda Rao K., Shrinivasa  U. and Srinivasan J., Synthesis of cost optimal shelland- tube heat exchangers. Heat Transfer Engineering Vol. 12, No. 3, pp. 47-55, 1991.
[4] Fesanghary M., Damangir E. and Soleimani I., Design optimization of shell and tube heat exchangers using global sensitivity analysis and harmony search algorithm. Applied Thermal Engineering , Vol. 29, pp. 1026-1031, 2009.
[5] Ponce-Ortega J.M., Serna-Gonzalez M., Salcedo-Estrada L.I. and Jimenez- Gutierrez A., Minimum-investment design of multiple shell and tube heat exchangers using a MINLP formulation. Chemical Engineering Research and Design Part A (October 2006).
[6] Ponce-Ortega J.M., Serna-Gonzalez M. and Jimenez-Gutierrez A., Use of genetic algorithms for the optimal design of shell-and-tube heat exchangers. Applied Thermal Engineering , Vol. 29, pp. 203-209, 2009.
[7] Ravagnani M.A.S.S., and Caballero J.A., Optimal heat exchanger network synthesis with the detailed heat transfer equipment design. Computers and Chemical Engineering Vol. 31, pp. 1432-1448, 2007.
[8] Caputo A.C., Pelagagge P.M. and Salini P., Heat exchanger design based on economic optimization. Applied Thermal Engineering, Vol. 28, pp. 1151-1159, 2008.
[9] Özçelik Y., Exergetic optimization of shell and tube heat exchangers using a genetic based algorithm. Applied Thermal Engineering , Vol. 27, pp. 1849-1856, 2007.
[10] Bejan A., Tsatsaronis G. and Moran M., Thermal design and optimization. Wiley Interscience, 1995.
[11] Johannessen E., Nummedal L. and Kjelstrup S., Minimizing the entropy production in heat exchange. International Journal of Heat and Mass Transfer , Vol. 45, pp. 2649-2654, 2002.
[12] S. Sun, Y. Lu and C. Yan. Optimization in calculation of shell-and-tube heat exchanger. International Communication in Heat and Mass Transfer Vol. 20 pp. 675-685, 1993.
[13] Agarwal A., and Gupta S.K., Jumping gene adaptations of NSGA-II and their use in the multi-objective optimal design of shell and tube heat exchangers. Chemical Engineering Research and Design , Vol. 86, pp. 123-139, 2008.
[14] Hilbert R., Janiga G., Baron R. and Thevenin D., Multi-objective shape optimization of a heat exchanger using parallel genetic algorithms. International Journal of Heat and Mass Transfer Vol. 49, pp. 2567-2577, 2006.
[15] Liu Z. and Cheng H., Multi-objective optimization design analysis of primary surface recuperator for microturbines. Applied Thermal Engineering Vol. 28 pp. 601-610, 2008.
[16] Tian Z., Ma L., Gu B., Yang L., Liu F., Numerical model of a parallel flow minichannel evaporator with new flow boiling heat transfer correlation. International Journal of Refrigeration Vol . 35 pp. 135-144, 2015.
[17] Huang L., Aute V., Radermacher R., A model for air-to-refrigerant microchannel condensers with variable tube and fin geometries. International Journal of Refrigeration. Vol. 40, pp. 269-281, 2014.
[18] Tian Z., Gu B., Yang L., Liu F., Performance prediction for a parallel flow condenser based on artificial neural network, Applied Thermal Engineering, Vol. 63, pp. 459- 467, 2014.
[19] Rao R., Patel V., Thermodynamic optimization of cross flow plate-fin heat exchanger using a particle swarm optimization algorithm, International Journal of Thermal Sciences, vol. 49, pp. 1712-1721, 2010.
[20] Fabbri G., A genetic algorithm for fin profile optimization. International Journal of Heat and Mass Transfer. Vol. 40, pp. 2165-2172,  1997.
[21] Kobus C.J., Cavanaugh R.B., A theoretical investigation into the optimal longitudinal profile of a horizontal pin fin of least material under the influence of pure forced and pure natural convection with a diameter-variable convective heat transfer coefficient, ASME Journal of  Heat Transfer , Vol. 128, 2006.
[22] Deb K., Agrawal S., Pratap A. and Meyarivan T., A fast and elitist multi-objective genetic algorithm: NSGA-II”. IEEE Trans Evolutionary Computation, Vol. 6, pp. 182-197, 2002.
[23] Safikhani H., Akhavan-Behabadi M. A., Nariman-Zadeh N. and Mahmoodabadi M. J., Modeling and multi-objective optimization of square cyclones using CFD and neural networks, Chemical Engineering Research and Design, Vol. 89, pp. 301–309, 2011.
[24] Safikhani H., A. Hajiloo and M. A. Ranjbar. Modeling and multi-objective optimization of cyclone separators using CFD and genetic algorithms, Computers and Chemical Engineering, Vol. 35,  pp. 1064–1071, 2011.
[25] Safikhani H., Abbassi A., Khalkhali A. and Kalteh M., Multi-objective optimization of nanofluid flow in flat tubes using CFD, artificial neural networks and genetic algorithms, Advanced Powder Technology, Vol. 25, pp. 1608–1617, 2014.