《2022年遗传算法中冷器设计方案方法 .pdf》由会员分享,可在线阅读,更多相关《2022年遗传算法中冷器设计方案方法 .pdf(8页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、个人资料整理仅限学习使用基于遗传算法的空空中冷器设计方法研究所投刊社及刊社评论 | 作者个人资料投票0 条评论收藏推荐本文博客引用作者: 苏石川 1 曾纬 1 周怀南 2 所属分类 : 动力工程动力工程双月刊评语 :暂无评语正文字体大小: 大 中 小基于遗传算法的空空中冷器 设计方法研究苏石川 1 曾纬 1 周怀南 2 (2. Yangzhou Tongshun Radiator Ltd. Co. Abstract: Using genetic algorithm to optimize the vehicle used intercooler, obtaining the method of
2、 gaining optimum core configuration of the intercooler fleetly. The cooling capacity of intercooler designed by this method may enhance 19.3, and the pressure drop is less than 0.08bar, the results of tunnel test and the diesel engine running test are well agreement with the calculation. The method
3、has many visible advantages and supplies the valuable references to the optimal design of intercooler. Key Words: Intercooler。 Genetic Algorithm。 Optimum Configuration 引言目前,增压柴油机已成为基本机型。增压中冷已成为提高柴油机性能的重要手段,它能降低增压后的空气温度,增加柴油机的循环进气量,提高发动机的经济性,节省能源,降低排放。目前中冷器 设计一般是通过从到实验、再指导的反复循环来实现的,设计周期长,需要消耗大量的人力、物力
4、。遗传算法是一种自适应全局优化概率搜索算法,不受搜索空间的限制性假设的约束,对复杂系统的优化具有较强的鲁棒性1 ,将遗传算法引入 中冷器 设计之后,可以迅速的找到最优值,极大的精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页,共 8 页个人资料整理仅限学习使用缩短设计周期,降低设计成本。1. 模型1.1 中冷器 设计模型对于 中冷器 ,散热能力强,阻力损失小是最理想的效果。因此 , 中冷器 的模型是以长、宽、高 ; ; 2 ) =C; 4)K=1/1/hb+Rn+Ab/hw*Aw) 6)P=*2*C1*L/ReC2*D)+C3) 7 )4)至
5、 7)式中 K为中冷器 传热系数, 为流体流速,d 为特征长度, L 为芯部长度, 为材料热导率, 为动力粘度, 为密度, C为定压热容, Rn为各种热阻, A为散热面积 ,hb 和 hw为热、冷侧的换热系数,C1,C2,C3为不同努谢尔特数下的常量。其中,散热面积和特征长度主要由 中冷器 通道数 N,翅片的个数M和尺寸 定的。A=f(N,M ,L,W ,H ,l ,w,h Pmax 11 )LminLLmax 12)Wmin W Wmax 13 )Hmin H Hmax 14 )1.2 基于遗传算法的优化模型遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法,是一种有效解决最优化问题的方
6、法,对复杂系统的优化具有较强的鲁棒性,其主要步骤包括:编码、初始群体生成、置信度适应度)评估、选择、交叉和变异 5 。在多目标函数模型中,编码的总置信度是每个目标函数编码置信度的乘积,所以,其单个目标函数编码的置信度大于总置信度,因此,其单个目标函数编码的置信度可选取较大值,进一步提高其最优解的准确度。图1 为基于遗传算法的 中冷器 优化框图。2. 实例应用2.1 中冷器 技术要求柴油机的增压比为2.1 ,中冷器 采用铝质材料。冷却介质进口状态为:温度为25,压力为1 个大气压。根据设计要求,与该机型相匹配的中冷器 芯部最大尺寸为:精选学习资料 - - - - - - - - - 名师归纳总结
7、 - - - - - - -第 4 页,共 8 页个人资料整理仅限学习使用LW H 65553070mm 。阻力损失 0.08bar 。2.2 结果与分析本文以常用的板翅式中冷器 为例,此形式使用范围较广。选用 IFN(490 - 530(65 -70mm 。另外,其它结构按厂方要求取定值。见图2,翅片厚度 W1 ,通道的高度 H1,翅片节距 J,翅片长度 L1 等。遗传算法的运行参数,取每1mm 为一个步长,则一共存在 1 万个个体,选择的总置信度取为95% ,交叉概率为0.6 ,变异概率取为0.001 ,叠代 200 次, 170 次以后收敛,则所得芯部尺寸最优值为:LW H 649527
8、70,P 没有超过限值,同时K达到最大 6 。最优值见表 2。从表 2. 可以看出,厚度为最大值70mm ,这是因为:式 5)中,热阻 Rn为定值, K 正比于当量直径,当量直径又取决于翅片的节距J 与高度 H1 此两个数据均按要求取定值),与芯部厚度无关,而冷热侧散热面积 之比 Ab/Aw与芯部厚度成反比,所以换热系数K正比与芯部厚度;由 式可见, K值是由 LW H构成的复杂函数,无单调性,因此K值的变化很复杂,精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页,共 8 页个人资料整理仅限学习使用即其散热量也有复杂的变化趋势。3 实验研究3
9、.1 风洞实验实验模拟柴油机工作状态,将热侧通道的空气,用压缩机将增压空气压至2.1 个大气压状态,然后将其转换到指定温度。冷侧的气体用风机鼓入。取当地气温为25,并且保持热侧进口温度不变。通过实验装置测出两侧的进出口温度和热侧阻力损失,应用电加热平衡测算出换热量,传热系数。由于样本多达1 万个,不可能全部测试,而且由于测试精度和原材料有限,实验选取5 个整数点,并按照这5组数据制作 5 个芯部样品,样品尺寸见表3,长度 L 全部为 70mm ,装入风洞实验台,进行测试,测试数据见图4 和 6,当 H W=527 649 时 K取得最大值为 102.8 W/m2k,P 为 4990pa。从图中
10、可以看出,风洞实验很好的验证了的结果,两者吻合良好。图3 和 5 为 10 个数据点的值, K为 106.4 W/m2k最大值)时P为 4800pa。表 4 为结果与风洞实验之间误差。样品3 是传热系数 K的最大误差点,样品6 是阻力损失P的最大误差点,同时也是最优点。产生误差的主要原因有:1) 实验时,温度、压力等状态参数会随着环境的变化而发生变化;精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页,共 8 页个人资料整理仅限学习使用2) 时准则数系数的选取也不可能完全符合实际情况;3) 样本数的选取还不足够多。3.2 实机验证将风洞实验制作
11、的5 个芯部样品安装致该型柴油机上,在技术要求中的IFN发动机连续工作24 个小时中有一个小时超负荷运行)工作状态下转速为2300 转时的工况下测试热流体出口温度。环境温度为26,进口温度为 152.6。测试结果见表4。可见最优尺寸结构 通过遗传算法对 中冷器 进行优化,使得换热器的换热能力提高 19.3 ,得到了比较理想的效果;2) 实验结果表明在空空中冷器 的设计中使用遗传算法能够极大的优化 中冷器 的结构,提高准确率,缩短设计周期和降低设计成本;3) 该方法为同类 中冷器 等产品的优化设计提供了高效、准确的方法,该方法已在产品设计中加以使用,效果良好。参考文献:1 蔡自兴 . 智能控制基
12、础与应用M. 国防工业出版社 . 1998. 2 Cho S M. Basic Thermal Design Methods for Heat ExchangersJ. Heat transfer equipment design. Washington, D.C.: Hemisphere. 1988:23-28. 3 W M Kays, A L London. Compact Heat Exchanger精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 7 页,共 8 页个人资料整理仅限学习使用sM. NewYork:McGraw-Hill Co.
13、, 1993. 4 T Kuppan. Heat Exchangers Design HandbookM. New York: Marcel Dekker, Inc.,2002. 5 王小平,曹立明 . 遗传算法理论、应用与软件实现 M. 西安交通大学出版社,2002. 6 Ibrahim Ozkol, Serhat Celtk. Optimum Size Determination Air Cooler Heat Exchanger(ACHE Via Genetic AlgorithmR. ASME, 20040725-20040729. San DiegoCA, US, 2004. 55-61. 7 A C West, S A Sherif. Optimization of multistage vapour compression systems using genetic algorithms part 2: application of genetic algorithm and resultsJ. International Journal of Energy Research. 2001, vol.25, no.9: 813-82. 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页,共 8 页
限制150内