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

Detalhes bibliográficos
Autor(a) principal: Percicotte, Daniel Ferreira
Data de Publicação: 2024
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/255871
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.
id UFSC_193e9328bdbcb53642502db24afb1bf2
oai_identifier_str oai:repositorio.ufsc.br:123456789/255871
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zagtrocador de calorrede neural artificialdesempenho hidráulicoCFDzig-zagheat exchangerANNTCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.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 efficiencyJoinville, SC.Mortean, Marcus Vinícius VolponiUniversidade Federal de Santa Catarina.Percicotte, Daniel Ferreira2024-07-11T04:31:04Z2024-07-11T04:31:04Z2024-07-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis105 fapplication/pdfhttps://repositorio.ufsc.br/handle/123456789/255871Open Access.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSC2024-07-11T04:31:04Zoai:repositorio.ufsc.br:123456789/255871Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-07-11T04:31:04Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
title Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
spellingShingle Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
Percicotte, Daniel Ferreira
trocador de calor
rede neural artificial
desempenho hidráulico
CFD
zig-zag
heat exchanger
ANN
title_short Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
title_full Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
title_fullStr Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
title_full_unstemmed Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
title_sort Aplicação de redes neurais na previsão da queda de pressão em trocadores de calor de circuito impresso com canais zig-zag
author Percicotte, Daniel Ferreira
author_facet Percicotte, Daniel Ferreira
author_role author
dc.contributor.none.fl_str_mv Mortean, Marcus Vinícius Volponi
Universidade Federal de Santa Catarina.
dc.contributor.author.fl_str_mv Percicotte, Daniel Ferreira
dc.subject.por.fl_str_mv trocador de calor
rede neural artificial
desempenho hidráulico
CFD
zig-zag
heat exchanger
ANN
topic trocador de calor
rede neural artificial
desempenho hidráulico
CFD
zig-zag
heat exchanger
ANN
description TCC (graduação) - Universidade Federal de Santa Catarina, Campus Joinville, Engenharia Aeroespacial.
publishDate 2024
dc.date.none.fl_str_mv 2024-07-11T04:31:04Z
2024-07-11T04:31:04Z
2024-07-03
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/255871
url https://repositorio.ufsc.br/handle/123456789/255871
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Open Access.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Open Access.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 105 f
application/pdf
dc.publisher.none.fl_str_mv Joinville, SC.
publisher.none.fl_str_mv Joinville, SC.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652076382683136

Registros relacionados