Multi-Objective Optimization of Plate-Fin Heat Exchangers via Non-Dominated Sequencing Genetic Algorithm (NSGA-II)

1. 개요:

• 제목: Multi-Objective Optimization of Plate-Fin Heat Exchangers via Non-Dominated Sequencing Genetic Algorithm (NSGA-II)
• 저자: Shengchen Li, Zixin Deng, Jian Liu, Defu Liu
• 발행 연도: 2022
• 발행 학술지/학회: Applied Sciences

2. 연구 배경:

자동차 엔진의 열 발산에 널리 사용되는 플레이트-핀 열교환기는 소형 경량 구조, 우수한 열전달 성능 및 낮은 생산 비용으로 인해 중요한 역할을 합니다. 톱니 모양의 지그재그 핀은 열교환 표면을 향상시키는 일반적인 방법입니다.

기존 연구에서는 유전 알고리즘, 어닐링 시뮬레이션 알고리즘, 모델 검색 알고리즘 등과 같은 새로운 알고리즘을 열교환기 최적화 설계 연구에 적용했습니다. 하지만 이러한 최적화 알고리즘은 공학적 실제 응용 분야에 적용된 사례가 거의 없으며, 공학적 응용을 위한 계산 절차가 부족합니다.

또한 자동차 엔진 열 발산에 널리 사용되는 플레이트-핀 열교환기에 대한 연구는 부족합니다. 기존의 로그 평균 온도차(LMTD) 방법이나 효율-열전달 단위 수(η-NTU) 방법을 사용한 열교환기의 최적 설계는 비용이 많이 들고 시간이 오래 걸립니다.

따라서 본 연구는 CFD와 컴퓨터 기술의 발전에 힘입어 CFD를 기반으로 한 다목적 최적화를 통해 플레이트-핀 열교환기의 최적 성능을 얻고자 합니다.

3. 연구 목적 및 연구 질문:

• 연구 목적: 확장형 하이브리드 자동차 엔진용 플레이트-핀 열교환기의 최적 성능을 얻기 위해 CFD와 NSGA-II 알고리즘을 기반으로 다목적 최적화를 수행합니다.
• 핵심 연구 질문: 톱니 모양 지그재그 핀의 각도, 오일 유량, 물 유량을 입력 매개변수로 하여 열전달량, 오일 압력 강하, 오일 출구 온도를 목적 함수로 하는 열교환기의 최적 해를 어떻게 찾을 수 있을까요?
• 연구 가설: NSGA-II 알고리즘과 TOPSIS 방법을 결합하여 플레이트-핀 열교환기의 성능을 최적화할 수 있습니다.

4. 연구 방법론:

• 연구 설계: CFD 시뮬레이션과 NSGA-II 알고리즘을 기반으로 한 다목적 최적화 연구 설계.
• 데이터 수집 방법:
  • 상용 CFD 소프트웨어인 Fluent를 사용하여 45개의 수치 시뮬레이션 테스트 케이스를 설계하고, 톱니 모양의 지그재그 핀의 각도, 오일 유량, 물 유량을 변화시키면서 열전달량, 오일 압력 강하, 오일 출구 온도를 측정합니다.
  • 다공성 매체 모델을 사용하여 시뮬레이션의 계산량을 줄입니다.
• 분석 방법:
  • SVR(Support Vector Regression)을 사용하여 열전달량, 오일 압력 강하, 오일 출구 온도에 대한 회귀 모델을 구축하고, NSGA-II 알고리즘을 사용하여 다목적 최적화를 수행합니다.
  • TOPSIS(Technique for Order Preference by Similarity to Ideal Solution) 방법을 사용하여 Pareto 최적 해 집합에서 최적 해를 결정합니다.
• 연구 대상 및 범위:
  • 확장형 하이브리드 자동차 엔진용 플레이트-핀 열교환기.
  • 핀 각도(30°~90°), 오일 유량(5~15 L/min), 물 유량(5~15 L/min)을 변수로 설정.

5. 주요 연구 결과:

• 핵심 발견사항:
  • NSGA-II 알고리즘과 TOPSIS 방법을 통해 핀 각도 63.01°, 오일 유량 9.7 L/min, 물 유량 6.45 L/min에서 열교환기의 최적 성능을 달성했습니다.
  • 이때 열전달량은 9.79 kW, 오일 압력 강하는 13.63 kPa, 오일 출구 온도는 65.11 °C였습니다. 오일 압력 강하는 오일 유량에 크게 영향을 받고, 핀 각도가 감소함에 따라 오일 압력 강하는 감소하다가 다시 증가하는 경향을 보였습니다.
  • 열전달량은 핀 각도, 오일 유량, 물 유량에 모두 영향을 받았으며, 오일 유량이 10 L/min 이하일 때는 오일 유량의 변화가 열전달량에 더 큰 영향을 미쳤고, 10 L/min 초과일 때는 물 유량의 변화가 더 큰 영향을 미쳤습니다.
  • 오일 출구 온도는 핀 각도와 반비례 관계를 보였습니다.
• 통계적/정성적 분석 결과:
  • 45개의 시뮬레이션 결과를 SVR로 분석하여 열전달량, 오일 압력 강하, 오일 출구 온도에 대한 회귀 모델을 구축했습니다.
  • NSGA-II를 통해 얻어진 Pareto 최적 해 집합은 2000개의 해를 포함했습니다.
  • TOPSIS를 통해 최적 해를 도출했습니다.
  • 시뮬레이션 결과와 최적화 결과 간의 오차는 열전달량 0.31%, 오일 압력 강하 2.64%, 오일 출구 온도 0.17%였습니다.
• 데이터 해석:
  • 다공성 매체 모델을 사용한 CFD 시뮬레이션과 SVR, NSGA-II, TOPSIS를 활용한 다목적 최적화 기법을 통해 얻은 결과는 서로 일관성이 있었으며, 제시된 최적화 기법의 타당성을 확인했습니다.
• Figure List and Description:
  • Figure 1: 열교환기 모델 (a) 전체 모델, (b) 단순화 모델
  • Figure 2: 핀 모델 (HPD, LPD)
  • Figure 3: 핀 각도(30°, 45°, 60°, 75°, 90°)
  • Figure 4: η-NTU 계산 결과와 시뮬레이션 결과 비교 (열전달량, 오일 출구 온도, 오일 압력 강하, 물 압력 강하)
  • Figure 5: 유체-고체 연성 시뮬레이션, SVR 예측 모델, 다목적 최적화 흐름도
  • Figure 6: 시뮬레이션 결과 (열전달량, 오일 출구 온도, 오일 압력 강하, 물 압력 강하)
  • Figure 7: 열전달량, 오일 압력 강하, 오일 출구 온도의 오차율
  • Figure 8: Pareto 최적 해 분포
  • Figure 9: 최적 매개변수에 대한 시뮬레이션 결과

6. 결론 및 논의:

본 연구는 CFD와 NSGA-II 알고리즘을 이용하여 확장형 하이브리드 자동차 엔진용 플레이트-핀 열교환기의 다목적 최적화를 수행했습니다. TOPIS를 활용하여 Pareto 최적 해 집합 중 최적 해를 선정하였으며, 최적 핀 각도, 오일 유량, 물 유량을 도출했습니다.

시뮬레이션 결과와 최적화 결과의 높은 일치율은 제시된 방법의 유효성을 입증합니다. 본 연구는 열교환기 설계 최적화에 대한 실질적인 지침을 제공합니다.

7. 향후 연구 제언:

• 후속 연구에서는 실제 열교환기 제작 및 실험을 통해 시뮬레이션 결과의 정확성을 검증하고, 다양한 작동 조건에 대한 최적화 연구를 수행할 수 있습니다.
• 다른 유형의 핀 구조나 다른 유체에 대한 연구를 확장할 수 있습니다.
• 더욱 정교한 최적화 알고리즘이나 머신러닝 기법을 도입하여 최적화의 효율성을 높일 수 있습니다.
• 열교환기의 내구성과 신뢰성에 대한 평가를 포함하는 연구가 필요합니다.

8. 참고문헌 요약:

References

1. Ning, J.; Wang, X.; Sun, Y.; Zheng, C.; Zhang, S.; Zhao, X.; Liu, C.; Yan, W. Experimental and numerical investigation of additively manufactured novel compact plate-fin heat exchanger. Int. J. Heat Mass Transf. 2022, 190, 122818. [Google Scholar] [CrossRef]
2. Bhuiyan, A.A.; Islam, A.S. Thermal and hydraulic performance of finned-tube heat exchangers under different flow ranges: A review on modeling and experiment. Int. J. Heat Mass Transf. 2016, 101, 38–59. [Google Scholar] [CrossRef]
3. Xu, P.; Wen, J.; Zhao, X.; Hao, H.; Wang, S.; Li, Y. Numerical investigation on serrated fin of sub-atmosphere plate-fin heat exchanger used in superfluid helium system. Cryogenics 2021, 119, 103351. [Google Scholar] [CrossRef]
4. Zhang, Y.; Peng, J.; Yang, R.; Yuan, L.; Li, S. Weight and performance optimization of rectangular staggered fins heat exchangers for miniaturized hydraulic power units using genetic algorithm. Case Stud. Therm. Eng. 2021, 28, 101605. [Google Scholar] [CrossRef]
5. Peng, F.; Cui, G. Efficient simultaneous synthesis for heat exchanger network with simulated annealing algorithm. Appl. Therm. Eng. 2015, 78, 136–149. [Google Scholar] [CrossRef]
6. Ishaque, S.; Kim, M.-H. Refrigerant circuitry optimization of finned tube heat exchangers using a dual-mode intelligent search algorithm. Appl. Therm. Eng. 2022, 212, 118576. [Google Scholar] [CrossRef]
7. Lee, K.; Kim, M.; Ha, M.Y.; Min, J.K. Investigation of heat-exchanger-sizing methods using genetic, pattern search, and simulated annealing algorithms and the effect of entropy generation. J. Mechan. Sci. Technol. 2018, 32, 915–928. [Google Scholar] [CrossRef]
8. Bhutta, M.M.A.; Hayat, N.; Bashir, M.H.; Khan, A.R.; Ahmad, K.N.; Khan, S. CFD applications in various heat exchangers design: A review. Appl. Therm. Eng. 2012, 32, 1–12. [Google Scholar] [CrossRef]
9. Kritikos, K.; Albanakis, C.; Missirlis, D.; Vlahostergios, Z.; Goulas, A.; Storm, P. Investigation of the thermal efficiency of a staggered elliptic-tube heat exchanger for aeroengine applications. Appl. Therm. Eng. 2010, 30, 134–142. [Google Scholar] [CrossRef] [Green Version]
10. Tiwari, A.K.; Ghosh, P.; Sarkar, J.; Dahiya, H.; Parekh, J. Numerical investigation of heat transfer and fluid flow in plate heat exchanger using nanofluids. Int. J. Therm. Sci. 2014, 85, 93–103. [Google Scholar] [CrossRef]
11. Wang, J.; Bian, H.; Cao, X.; Ding, M. Numerical performance analysis of a novel shell-and-tube oil cooler with wire-wound and crescent baffles. Appl. Therm. Eng. 2021, 184, 116298. [Google Scholar] [CrossRef]
12. Li, W.; Paul, M.; Siviter, J.; Montecucco, A.; Knox, A.; Sweet, T.; Min, G.; Baig, H.; Mallick, T.; Han, G. Thermal performance of two heat exchangers for thermoelectric generators. Case Stud. Therm. Eng. 2016, 8, 164–175. [Google Scholar] [CrossRef]
13. Li, J.; Peng, H.; Ling, X. Numerical study and experimental verification of transverse direction type serrated fins and field synergy principle analysis. Appl. Therm. Eng. 2013, 54, 328–335. [Google Scholar] [CrossRef]
14. Kim, M.; Ha, M.Y.; Min, J.K. A numerical study on the aero-thermal performance of a slanted-pin-fin cooler under a high-speed-bypass condition. Int. J. Heat Mass Transf. 2018, 119, 791–812. [Google Scholar] [CrossRef]
15. Patankar, S.; Spalding, D. Computer analysis of the three-dimensional flow and heat transfer in a steam generator. In Numerical Prediction of Flow, Heat Transfer, Turbulence and Combustion; Elsevier: Amsterdam, The Netherlands, 1983; pp. 293–298. [Google Scholar] [CrossRef]
16. Zhang, Q.; Qin, S.; Ma, R. Simulation and experimental investigation of the wavy fin-and-tube intercooler. Case Stud. Therm. Eng. 2016, 8, 32–40. [Google Scholar] [CrossRef] [Green Version]
17. Esfe, M.H.; Mahian, O.; Hajmohammad, M.H.; Wongwises, S. Design of a heat exchanger working with organic nanofluids using multi-objective particle swarm optimization algorithm and response surface method. Int. J. Heat Mass Transf. 2018, 119, 922–930. [Google Scholar] [CrossRef]
18. Guo, K.; Zhang, N.; Smith, R. Design optimisation of multi-stream plate fin heat exchangers with multiple fin types. Appl. Therm. Eng. 2018, 131, 30–40. [Google Scholar] [CrossRef] [Green Version]
19. Hadidi, A. A robust approach for optimal design of plate fin heat exchangers using biogeography based optimization (BBO) algorithm. Appl. Energy 2015, 150, 196–210. [Google Scholar] [CrossRef]
20. Aminmahalati, A.; Fazlali, A.; Safikhani, H. Multi-objective optimization of CO boiler combustion chamber in the RFCC unit using NSGA II algorithm. Energy 2021, 221, 119859. [Google Scholar] [CrossRef]
21. Li, J.; Zuo, W.; Jiaqiang, E.; Zhang, Y.; Li, Q.; Sun, K.; Zhou, K.; Zhang, G. Multi-objective optimization of mini U-channel cold plate with SiO2 nanofluid by RSM and NSGA-II. Energy 2022, 242, 123039. [Google Scholar] [CrossRef]
22. Çelikbilek, Y.; Tüysüz, F. An in-depth review of theory of the TOPSIS method: An experimental analysis. J. Manage. Analyt. 2020, 7, 281–300. [Google Scholar] [CrossRef]
23. Yusuf, A.; Bayhan, N.; Tiryaki, H.; Hamawandi, B.; Toprak, M.S.; Ballikaya, S. Multi-objective optimization of concentrated Photovoltaic-Thermoelectric hybrid system via non-dominated sorting genetic algorithm (NSGA II). Energy Convers. Manage. 2021, 236, 114065. [Google Scholar] [CrossRef]
24. Muzychka, Y.S.; Yovanovich, M.M. Modeling the f and j Characteristics for Transverse Flow Through an Offset Strip Fin at Low Reynolds Number. Heat Transf. 1999, 1, 79–90. [Google Scholar] [CrossRef]
25. Huang, Y.; Liu, Z.; Lu, G.; Yu, X. Multi-scale thermal analysis approach for the typical heat exchanger in automotive cooling systems. Int. Communicat. Heat Mass Transf. 2014, 59, 75–87. [Google Scholar] [CrossRef]
26. Shivakumara, I.; Ravisha, M.; Ng, C.-O.; Varun, V. A thermal non-equilibrium model with Cattaneo effect for convection in a Brinkman porous layer. Int. J. Non-Linear Mechan. 2015, 71, 39–47. [Google Scholar] [CrossRef] [Green Version]
27. Zhang, J.-F.; He, Y.-L.; Tao, W.-Q. 3D numerical simulation on shell-and-tube heat exchangers with middle-overlapped helical baffles and continuous baffles–Part I: Numerical model and results of whole heat exchanger with middle-overlapped helical baffles. Int. J. Heat Mass Transf. 2009, 52, 5371–5380. [Google Scholar] [CrossRef]
28. Gu, Y.; Liu, X.; Liu, W.; Liu, Y.; Zhai, X.; Xuan, Y.; Peng, T.; Jiang, W. Research on heat transfer and pressure drop performance of plain plate fin-and-tube oil cooler. Chem. Eng. Process. Process Intensificat. 2020, 158, 108187. [Google Scholar] [CrossRef]
29. Torii, K.; Kwak, K.; Nishino, K. Heat transfer enhancement accompanying pressure-loss reduction with winglet-type vortex generators for fin-tube heat exchangers. Int. J. Heat Mass Transf. 2002, 45, 3795–3801. [Google Scholar] [CrossRef]
30. Xu, X.; Zhang, X.; Ke, P.; Wang, C.; Yang, H.; Yang, C. Study on the heat transfer characteristic of compact heat exchanger based on experimental data. Proced. Eng. 2015, 121, 293–299. [Google Scholar] [CrossRef]
31. Ahmad, M.S.; Adnan, S.M.; Zaidi, S.; Bhargava, P. A novel support vector regression (SVR) model for the prediction of splice strength of the unconfined beam specimens. Construct. Build. Mater. 2020, 248, 118475. [Google Scholar] [CrossRef]
32. Panahi, M.; Sadhasivam, N.; Pourghasemi, H.R.; Rezaie, F.; Lee, S. Spatial prediction of groundwater potential mapping based on convolutional neural network (CNN) and support vector regression (SVR). J. Hydrol. 2020, 588, 125033. [Google Scholar] [CrossRef]
33. Brereton, R.G.; Lloyd, G.R. Support vector machines for classification and regression. Analyst 2010, 135, 230–267. [Google Scholar] [CrossRef] [PubMed]
34. Pan, Y.; Jiang, J.; Wang, R.; Cao, H.; Cui, Y. A novel QSPR model for prediction of lower flammability limits of organic compounds based on support vector machine. J. Hazard. Mater. 2009, 168, 962–969. [Google Scholar] [CrossRef] [PubMed]
35. Liu, Y.; Wang, L.; Gu, K. A support vector regression (SVR)-based method for dynamic load identification using heterogeneous responses under interval uncertainties. Appl. Soft Comput. 2021, 110, 107599. [Google Scholar] [CrossRef]
36. Smola, A.J.; Schölkopf, B. A tutorial on support vector regression. Stat. Comput. 2004, 14, 199–222. [Google Scholar] [CrossRef] [Green Version]
37. Wang, Z.; Sobey, A. A comparative review between Genetic Algorithm use in composite optimisation and the state-of-the-art in evolutionary computation. Compos. Struct. 2020, 233, 111739. [Google Scholar] [CrossRef]
38. Gunantara, N. A review of multi-objective optimization: Methods and its applications. Cogent Eng. 2018, 5, 1502242. [Google Scholar] [CrossRef]
39. Bre, F.; Fachinotti, V.D. A computational multi-objective optimization method to improve energy efficiency and thermal comfort in dwellings. Energy Build. 2017, 154, 283–294. [Google Scholar] [CrossRef] [Green Version]
40. Evins, R.; Pointer, P.; Vaidyanathan, R.; Burgess, S. A case study exploring regulated energy use in domestic buildings using design-of-experiments and multi-objective optimisation. Build. Environ. 2012, 54, 126–136. [Google Scholar] [CrossRef]

저작권 및 참고 자료:

본 자료는 Shengchen Li, Zixin Deng, Jian Liu, Defu Liu 저의 논문 "Multi-Objective Optimization of Plate-Fin Heat Exchangers via Non-Dominated Sequencing Genetic Algorithm (NSGA-II)"을 기반으로 작성되었습니다.

논문 출처: Appl. Sci. 2022, 12(22), 11792; https://doi.org/10.3390/app122211792

본 자료는 위 논문을 바탕으로 요약 작성되었으며, 상업적 목적으로 무단 사용이 금지됩니다.
Copyright © 2025 CASTMAN. All rights reserved.