Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag

Abstract

Trocadores de calor de circuito impresso (PCHE) são uma classe de trocadores de calor compactos caracterizados pelo uso de canais semicirculares e caminhos em zig-zag, projetados para aumentar o coeficiente de transferência de calor e, consequentemente, o fator de atrito. O comportamento hidrodinâmico desses equipamentos tem sido amplamente estudado, resultando em diversas correlações propostas para o fator de atrito, cada uma específica para sua aplicação. Recentemente, técnicas de aprendizagem de máquina, como redes neurais artificiais (ANN), têm sido aplicadas para otimizar o desempenho hidráulico de PCHEs, oferecendo previsões precisas com menor custo computacional em comparação às análises numéricas tradicionais. Este trabalho foca na aplicação de ANNs para prever a queda de pressão em PCHEs com canais em zig-zag. Inicialmente, foram realizadas simulações CFD em diversas configurações de canais para gerar os dados necessários ao treinamento das redes neurais. Em seguida, esses dados hidráulicos foram usados para treinar e validar os modelos de ANN. Os resultados mostram que a abordagem combinada de CFD, ANN e algoritmos de otimização pode prever com precisão a queda de pressão dos PCHEs, com um erro médio de 14,7%. Este estudo preenche uma lacuna na literatura ao integrar parâmetros geométricos (passo, diâmetro e angulação) no treinamento das redes neurais para prever o fator de atrito com maior precisão e eficiência.

Printed Circuit Heat Exchangers (PCHE) are a class of compact heat exchangers characterized by the use of semicircular channels and zig-zag paths, designed to increase the heat transfer coefficient and, consequently, the friction factor. The hydrodynamic behavior of these devices has been widely studied, resulting in various proposed correlations for the friction factor, each specific to its application. Recently, machine learning techniques, such as artificial neural networks (ANN), have been applied to optimize the thermo-hydraulic performance of PCHEs, offering precise predictions with lower computational costs compared to traditional numerical analyses. This work focuses on the application of ANNs to predict the pressure drop in PCHEs with zig-zag channels. Initially, CFD simulations were conducted on various channel configurations to generate the data needed for training the neural networks. Subsequently, these hydraulic data were used to train and validate the ANN models. The results show that the combined approach of CFD, ANN, and optimization algorithms can accurately predict the pressure drop in PCHEs, with an average error of 14.7%. This study fills a gap in the literature by integrating geometric parameters (pitch, diameter, and angle) into the training of neural networks to predict the friction factor with greater accuracy and efficiency