بهینه سازی تابع هزینه مبدل حرارتی با الگوریتم ژنتیک متلب

توضیحات

بهینه سازی تابع هزینه مبدل حرارتی با الگوریتم ژنتیک متلب

چکیده
در حالی که تحقیقات زیادی در زمینه بهینه سازی مبدل های حرارتی از دیدگاه اقتصادی با استفاده از الگوریتم های گسترده ای انجام شده است ، هیچ کاری برای دستیابی به بهینه سازی همزمان 2 هدف – مجموع سالانه سرمایه گذاری و هزینه کار و همچنین کار انجام نشده است. طول مبدل حرارتی اثر داده شده ، رابطه کمتری را بین حداقل کردن طول و کمترین طول ایجاد کرده است. ما به وضوح تأثیر به حداقل رساندن یک هدف از دیگر اهداف را بیان کرده ایم. برای دستیابی به این هدف ما حل کننده چند هدفی را که از الگوریتم ژنتیکی (gamultobj) استفاده می کند ، در جعبه ابزار بهینه سازی MATLAB موجود استفاده کرده ایم. الگوریتم چند منظوره (الگوریتم ژنتیک چند منظوره Elitist) مقادیر بهینه متغیرهای طراحی مانند قطر لوله بیرونی ، قطر پوسته بیرونی و فاصله بافل را جستجو می کند ، برای دو نوع چیدمان طرح لوله (مثلث و مربع) با تعداد دو یا چهار لوله عبور می کند.
واژه‌های کلیدی: گرما ، مبدل ، هزینه ، بهینه سازی ، ژنتیکی

1. معرفی
مبدل حرارتی پوسته و لوله ، تجدید تنظیمی از پیکربندی دو لوله است. به جای یک لوله واحد در داخل لوله بزرگتر ، آن را از یک دسته از لوله ها یا لوله های محصور شده در یک پوسته استوانه ای تشکیل می دهد. یک مایع از طریق لوله ها جریان می یابد ، و مایع دوم در فضای بین لوله ها و پوسته جریان می یابد. برای هدایت مایع بین لوله‌ها و پوسته ، در طول لوله‌ها ، حوله‌های لوله در امتداد بسته لوله نصب شده است. گرما بین مایعات از طریق دیواره های لوله تبادل می شود. مایعات می توانند مایعات یا گازهای موجود در پوسته یا طرف لوله باشند.
اکثر محققان مبلغ سرمایه گذاری سرمایه و هزینه های مرتبط با انرژی را که مربوط به غلبه بر ضرر اصطکاک است ، در نظر می گیرند. به طور مشابه ، برخی از نویسندگان ممکن است فقط هزینه های پمپاژ مانند Mottet al، 1972 یا سرمایه گذاری مانند Ramanandaet al، 1991) را در نظر بگیرند ، در حالی که برخی دیگر تولید آنتروپی یا نسبت اجراها به هزینه را انتخاب می کنند (کواریک ، 1989). با حرکت به متغیرهای بهینه سازی ، بیشتر آثار هدف قرار دادن تأثیر همزمان چندین پارامتر طراحی است ، در حالی که سایرین ممکن است روی یک پارامتر واحد متمرکز شوند. به عنوان مثال ، صفار آووال و دامنگیر (1995) مطالعاتی را برای بهینه سازی فقط فاصله بافل انجام دادند. با این حال ، روش های تحلیل پارامتری نیز توسط جنسسن 1969 برای بررسی تأثیر پارامترهای متعدد اجرا شد. در روش های بهینه سازی عددی ، ضرب های لاگرانژ غالباً بودند (Kovarik 1989؛ Fax and Mills، 1957؛ Unuvar and Kargici، 2004). فون تین و واسینک (1978) از روش ساده استفاده کردند ، در حالی که پالن و همکاران. (1974) از روش به اصطلاح Complex استفاده كرد. برنامه نویسی هندسی نیز توسط پل (1982) پیشنهاد شد و در زمان های اخیر ، تکنیک هایی مانند ، بازپخت شبیه سازی شده از جمله محدودیت های لرزش توسط چودوری و همکاران. (1997) و الگوریتم هندسی توسط Selbas ، Kizilkan و Reppich (2006) نشان داده شده است که یک رویکرد موثر است.

توضیحات پروژه آماده متلب بهینه سازی تابع هزینه مبدل حرارتی با الگوریتم ژنتیک

فایل را داخل یک پوشه extract  کنید و کد GA_MultiObj را ران کنید

• بهینه سازی تابع هزینه مبدل حرارتی با الگوریتم ژنتیک متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.