مطالعه cfd و بهینه سازی عملیاتی پره‏ی راشتون با استفاده از هوش مصنوعی

در این مطالعه، روند اختلاط توسط پره راشتون بررسی شده است و هدف اصلی تعیین بهترین سایز پره و فاصله از کفی است که کمترین انرژی مصرفی را موجب بشود. این کار با ترکیبی از مدلسازی به روش دینامیک سیالات محاسباتی(cfd)، آزمایشات تجربی، پیش بینی توسط شبکه عصبی مصنوعی و بهینه سازی به واسطه الگوریتم ژنتیک صورت پذیرفته است. آزمایشات تجربی جهت اثبات صحت نتایج cfd انجام گرفته و پیش بینی توان مصرفی و زمان اختلاط نیز در شبکه عصبی انجام شده است و در آخر الگوریتم ژنتیک جهت بهینه سازی انرژی مصرفی استفاده شده است. از دینامیک سیالات محاسباتی به همراه مدل آشفتگی ? - ? rng برای بدست آوردن الگوی جریان و محاسبه زمان اختلاط در مخزن ساخته شده استفاده شده است. در ابتدا هندسه ی سیستم در نرم افزار gambit ساخته شده و کل حجم آن به حجم کنترل های کوچک جهت انجام محاسبات تقسیم شده و جهت تعریف شرایط مرزی و حل دسته معادلات برای حجم کنترل های مورد نظر، به نرم افزار fluent فرستاده شده است. در دورهای مختلف همزن برای سایزهای مختلف پره و در فواصل متفاوت از کف مدلسازی انجام گرفته است. زمانی که شرایط سیال داخل مخزن به حالت کاملا پایدار رسید، با شروع تزریق ردیاب، حل حالت ناپایدار نیز صورت گرفته است که در این تحقیق فاکتور زمانی مورد بررسی اصلی عبارت بود از زمان چرخش میانگین محوری. از طرف دیگر یکی از پارامترهای مورد نظر بدست آوردن توان مصرف شده توسط همزن جهت اختلاط کامل بود. آگاهی از توان مصرفی در مخازن از نظر مصرف انرژی بسیار مهم است که از کل توان مستهلک شده در حجم سیال موجود بدست می آید. نتایج حاصله از مدلسازی دینامیک سیالات محاسباتی جهت مدل نمودن شبکه عصبی به کار رفته است و نهایتاً بهینه سازی با استفاده از الگوریتم ژنتیک انجام گرفته که بعد از فراخوانی شدن تابع حامل مدل شبکه عصبی توسط الگوریتم ژنتیک، الگوریتم اجازه می یابد که تا همگرا شدن و یافتن مقدار بهینه انرژی مصرفی اجرا شود و در نهایت پاسخی را ارائه خواهد داد که گویای مناسب ترین نقطه یعنی همان مقدار بهینه است.