عنوان پایان‌نامه

بهینه سازی افت فشار در مبدل های چندجریانی به کمک الگاریتم ژنتیک همرا با ملاحظه تغییرات فیزیکی سیالات



    دانشجو در تاریخ ۲۱ دی ۱۳۸۹ ، به راهنمایی ، پایان نامه با عنوان "بهینه سازی افت فشار در مبدل های چندجریانی به کمک الگاریتم ژنتیک همرا با ملاحظه تغییرات فیزیکی سیالات" را دفاع نموده است.


    محل دفاع
    کتابخانه پردیس یک فنی شماره ثبت: 981.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47175
    تاریخ دفاع
    ۲۱ دی ۱۳۸۹

    پیش¬بینی سطح انتقال حرارت مورد نیاز و انرژی مصرفی (مرحله¬ی هدفگذاری) برای سیستم¬های بازیافت حرارتی یکی از مهم¬ترین مباحث در سنتز شبکه¬های مبدل حرارتی است. این امر ذهن را به سمت ایجاد تکنیک¬هایی نوین برای اصلاح روش¬های رایج به¬منظور حصول الگوریتم¬های واقع¬گرایانه¬تر سوق می¬دهد. فناوری پینچ ابزارهای قدرتمندی را برای نیل به این مقصود در اختیار طراح قرار می¬دهد اما در اغلب الگوریتم¬های موجود، خواص فیزیکی ثابت فرض شده ¬است. در این پژوهش روش جدیدی پیشنهاد شده ¬است که اثر تغییرات خواص فیزیکی سیال را در نظر می¬گیرد. این قابلیت به همراه در نظرگرفتن افت فشار، الگوریتم قدرتمندی را برای تخمین سطح شبکه پیش از طراحی فراهم می¬سازد. در این روش وابستگی خواص فیزیکی از جمله ظرفیت گرمایی ویژه، ویسکوزیته، دانسیته و هدایت گرمایی به تغییرات دما مورد توجه قرار گرفته¬ است. بنابراین کلیه¬ی پارامترهای روابط افت فشار به طور دقیق¬تری محاسبه می¬شوند. این کار با معرفی ضرایب تصحیحی در هدفگذاری و طراحی شبکه مبدل حرارتی شامل جریان¬های مایع و گاز صورت گرفته ¬است. بر این اساس نتایج دقیق¬تر و قابل اعتمادتری برای مراحل هدفگذاری و طراحی مبدل چند جریانه حاصل خواهد شد. همچنین، اگرچه تاکنون روش¬های گوناگونی برای طراحی مبدل¬های حرارتی چند جریانه ارائه شده است، لیکن روشی که همراه با بهینه¬سازی افت فشار جریان¬ها بهترین پره را برای هر جریان برگزیند پیشنهاد نشده ¬است. این تحقیق روش جدیدی در طراحی این مبدل¬ها بر پایه استفاده از افت فشارهای بهینه ارائه می¬دهد که تلفیقی از مفاهیم فناوری پینچ و الگوریتم ژنتیک است. تابع هدف مسئله هزینه کل سالیانه است که هزینه¬های سطح و هزینه تأمین افت فشار جریان¬ها را شامل می¬شود. نتایج حاکی از کاهش قابل توجهی در هزینه کل سالیانه و حجم مبدل است. در ادامه، با استفاده از الگوریتمی که هر دو هدف را دربرمی¬گیرد، واحد آروماتیک به عنوان یک نمونه صنعتی طراحی و بهینه¬سازی شده است.
    Abstract
    Prediction of minimum required area and energy consumption (Targeting Stage) for heat recovery systems is one of the most important subjects in the synthesis of heat exchanger networks. This stage opens new insights to develop novel techniques for improving the current methods resulting in more realistic algorithms. Although, Pinch Technology contains a set of robust tools to assist designers to attain this purpose, in most current algorithms, physical properties are assumed to be constant. In this paper a new method is proposed, which takes the effect of fluid physical properties variations in to account. This ability along with the pressure drop consideration forms a powerful algorithm for network area estimation ahead of design. In this method the dependency of physical properties, namely heat capacity, viscosity, density, and thermal conductivity, to temperature variation is considered. Therefore, all parameters of the Pressure Drop relationships are calculated more accurately. Having incorporated the correction factors in targeting and design of a heat exchanger network, involving gas and liquid streams, the results proved to be more accurate and reliable. Also, although a great number of published design methods for multi-stream heat exchangers exist, there is no method taking into account the effect of stream pressure drops as a design parameter while determining the most optimum fin type for the heat exchanger. This research describes a new method for designing MSHEs based on optimum pressure drop, using Genetic Algorithm and Pinch Technology principles. In optimizing the whole heat exchanger parameters, total annual cost is considered to be the main objective function. Results showed considerable reduction in total annual cost and volume of heat exchanger. After testing these two algorithms in some examples already reported in literature, they were merged as a new procedure to be applied in Aromatic Plant, an industrial case study.