عنوان پایان‌نامه
طراحی مدل همبسته CFD با الگوریتم ژنتیک برای جانمایی بهینه حسگرها به منظور پایش کیفیت هوای محیط بسته و تعیین عدم قطعیت آن به روش مونت کارلو (مطالعه موردی: پارکینگ مجتمع مسکونی)
- رشته تحصیلی
- مهندسی محیط زیست -آلودگی هوا
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1574;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79532;کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1574;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79532
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۵
- دانشجو
- منیره سادات موسوی
- استاد راهنما
- خسرو اشرفی
- چکیده
- زمینه و هدف: پیش بینی جانمایی حسگرها، یکی از پیچیده ترین مسایل در مدیریت کیفیت هوا می باشد، در چنین مواردی لزوم استفاده از مدلی اقتصادی تر همراه با دقت مطلوب از جایگاه ویژه ای برخوردار است. در این مطالعه از شبیه سازی عددی که با روش تجربی اعتبارسنجی شده است برای پیش بینی توزیع غلظت ها به همراه ترکیب آن با مدل بهینه سازی برای تعیین جانمایی بهینه حسگرها استفاده شده است. آنالیز عدم قطعیت نیز با استفاده از روش مونت کارلو- زنجیره مارکف برای محیط بسته پارکینگ مجتمع مسکونی در تهران انجام گرفته است. روش بررسی: در این پژوهش برای پارکینگ مجتمع مسکونی، ابتدا به ارزیابی اولیه که شامل تایید در مورد فیزیک مسئله (هندسه، شرایط مرزی، نوع مدل تلاطمی و غیره) و همچنین برآورد میزان سهم انتشار گاز های خروجی از اگزوز خودروها پرداخته شده است. مقادیر سهم انتشار گاز های خروجی از اگزوز، با استفاده از داده های سامانه اندازه گیری آلایندگی خودرو و روش های محاسباتی برآورد شده است. سپس صحت سنجی نتایج عددی پارامتر سرعت و غلظت CO با روش تجربی مورد بررسی قرار گرفته است. جهت اندازه گیری توزیع غلظت آلاینده CO، نمونه برداری و جمع آوری گازها توسط کیسه های نمونه برداری از جنس مواد بی اثر با حجم L10، در شش نقطه انجام شده است. مقادیر سرعت نیز با دستگاه 8920 –ST اندازه گیری شده است. برای بررسی محاسبات عددی، مدل 3 بعدی توسط نرم افزار FLUENT و هندسه و شبکه نیز با استفاده از نرم افزارANSYS ICEM CFD 15.0 تولید شده است. در این پژوهش در نظر گرفتن تمامی سناریوهای مختلف با توجه به وسعت پارکینگ و تعداد خودروهای موجود، چالش برانگیز بوده است. برای حل این مشکل، بر اساس روش مشاهده و در نظر گرفتن شرایط واقعی پارکینگ سناریو هایی به-صورت منتخب در نظر گرفته شده است. با بررسی پتاسیل تعداد خودروهای روشن در طول 24 ساعت، تعداد 9 سناریو انتخاب شده است. مکان خودروها نیز بصورت تصادفی انتخاب گردیده است. نتایج خروجی از نرم افزار FLUENT برای هریک از سناریوها، مقادیر غلظت آلاینده CO در مکان x وy می باشد. غلظت بیشینه برای هر نقطه، از بین 9 سناریو انتخاب گردیده و به عنوان ورودی به الگوریتم ژنتیک ارایه گریده است. مرحله بعد انتخاب جانمایی بهینه به وسیله یک مدل بهینه ساز مانند الگوریتم ژنتیک می باشد اهداف مدل بهینه سازی در این پژوهش،با توجه به کاهش هزینه، پوشش حداکثر و با در نظر گرفتن توزیع غلظت های موجود در سناریو های مختلف ارایه شده-است. در این پژوهش جمعیت اولیه 50، نرخ تقاطع 6/0 و نرخ جهش 4/0 انتخاب شده است. این پارامتر ها، بوسیله روش تاگوچی کالیبره شده اند. خروجی های بهینه سازی (الگوریتم ژنتیک) به عنوان وروردی به روش آماری مونت کارلو- زنجیره مارکف وارد شده است و الویت برای استقرار حسگرها و نقشه احتمالاتی آنها نمایش داده شده است. ترکیب مدل شبیه سازی با روش بهینه سازی و آنالیز عدم قطعیت مدل از نوآوری های این پژوهش می باشد. یافته ها: بیشینه سهم انتشار مربوط به خودرو پراید به مقدار g/s44/4 و کمینه مقدار انتشار برای خودرو تیبا g/s3/0 بوده است. نتایج شبیه سازی CFD انجام شده در پژوهش حاضر توافق نسبتاً خوبی با نتایج تجربی داشته است. در این تحقیق بین مقادیر انتشار خروجی از اگزوز و توزیع غلظت ارتباط معناداری مشاهده نشده است. اما توزیع غلظت به مجموعه ای از مکان و تعداد بازشو-ها، تعداد و نوع خودرو، زمان کارکرد خودرو، حالت عملکردی خودرو و شرایط محیطی در ارتباط بوده است. شعاع عملکردی هر حسگر نقش قابل توجه و تاثیرگذاری بر نتایج بهینه پژوهش داشته است. لذا تعداد بهینه برای شعاع های متفاوت تا 15 متر بررسی شده است. با استفاده از روش آماری مونت کارلو- زنجیره رخداد فراوانی حسگرها در این مرحله به دست آمده است.
- Abstract
- Background and goal: Prediction of position of sensors is among the most complicated problems in air quality management. In such cases, it is substantially important to use a more economical model with satisfactory precision. In this study, a numerical modeling method validated experimentally was used to predict distribution of concentrations and its combination with an optimization model was used to determine the optimum position of sensors. Uncertainty analyses were carried out using the Monte Carlo-Markov chain method on the confined parking lot of a residential building in Tehran. Research method: In this research, to study a residential building parking lot, first a preliminary assessment including assessment of the problem physical conditions (including geometry, boundary conditions, and turbulence model type) and estimate of the share of automobile emissions was conducted. Share of automobile emissions was estimated using the Automobile Pollution Measurement System data and computation methods. Afterwards, numerical values of velocity and CO concentration were validated experimentally. To measure distribution of the CO pollutant, gas samples were collected from six points using sampling bags made of inert materials with a capacity of 10L. Velocity was also measured using a ST-8920.To assess numerical calculations, a 3D model was generated in FLUENT and its geometry and grid were designed in ANSYS ICEM CFD 15.0. In this research, given the parking lot area and number of existing automobiles the challenge was to consider different scenarios. To solve this problem, observations were made based on actual parking lot conditions and several scenarios were selected. After examining the potential of the number of automobiles in use over 24 hours, a total of 9 scenarios were selected. Outputs of FLUENT for each scenario showed concentrations of the CO pollutant in position of X and Y.The peak concentration at each point was selected from 9 scenarios and was used as the input to the genetic algorithm (GA). Afterwards, the optimum position was selected using an optimization model such as the genetic algorithm. In this research, the objectives of the optimization model were determined based on the decrease in costs, maximum coverage, and the concentration distributions in different scenarios. The initial research population size, intersection rate, and mutation rate were 50, 0.6, and 0.4, respectively. These parameters were calibrated using Taguchi’s method. GA optimization outputs were used as the input to the statistical Monte Carlo-Markov chain method, and the priorities of sensor position and the related probabilistic map were obtained. Combination of the simulation model, the optimization method and uncertainty analysis was the innovation of this research. Findings: Pride had the highest 4.4 and Tiba had lowest 0.3 shares of emissions, respectively. Results of CFD simulations in this research also properly complied with experimental results. In this research, there was no significant relationship between automobile emissions and distribution of concentration. However, distribution of concentration depended on location, number of openings, number/type of automobile, automobile operation hours, automobile operating state, and environmental conditions. The operating radius of each sensor significantly contributed to optimization of results. Therefore, the optimum number of sensors was identified at different points to a maximum radius of 15 m. The occurrence frequency of sensors was determined using the statistical Monte Carlo-event chain method. Conclusion: Measurement of the level of CO pollutant in emissions of automobiles revealed that concentration of this pollutant was higher than the allowable WHO-approved standard at some points. Results of this research also indicated that concentration of the CO pollutant in confined areas was significant, whereas lower concentrations of this pollutant were present in areas close to the openings. The GA-based optimization program indicated that with an increase in the operating radius the number of sensors decreased. The Monte Carlo-Markov Chain algorithm was used to determine priorities of positions of sensors and obtain the probabilistic map. Optimum positioning and accurate arrangement of sensors reduced the number of sensors and costs. Keywords: Carbon monoxide, CFD simulation, GA-based simulation, Monte Carlo-Markov chain
