Application of statistically-based methods to heat transfer problems

Abstract

Dois novos métodos de análise de escoamentos com altas taxas de transferência de calor foram desenvolvidos com a ideia de unir conceitos de duas áreas distintas: estatística e transferência de calor. No primeiro método, a incerteza no valor do coeficiente de transferência de calor ? obtido utilizando uma correlação ? foi introduzida no modelo de troca térmica e seus efeitos em propriedades do escoamento como temperatura e entalpia de mistura foram avaliados. O modelo mostra que a sensibilidade de propriedades no escoamento, como temperatura e entalpia de mistura, às incertezas na correlação é uma função de vários parâmetros, incluindo o número de Stanton, que depende de propriedades termofísicas. A análise mostra que sensibilidade da temperatura é atenuada perto da temperatura critica, enquanto a sensibilidade da entalpia possui um pico no local que o escoamento passa a linha pseudo-crítica. Esse comportamento é uma consequência das grandes variações nas propriedades termofísicas perto da linha de Widom e praticamente independe da correlação utilizada para estimar a transferência de calor. Os pontos de mínimo e máximo nas sensibilidades da temperatura e da entalpia, respectivamente, tem uma alta concordância com a linha pseudo-crítica, principalmente próximo ao ponto crítico, confirmando a natureza termodinâmica do fenômeno. No segundo método, a aplicação de técnicas de aprendizado de máquina na área de transferência de calor é explorada. Mais especificamente, uma rede neural convolucional é treinada para estimar o fluxo de calor em uma superfície através de imagens do escoamento. Dados de sete testes foram obtidos, sendo três deles utilizados para treinamento, dois para validação e dois para teste da rede neural. Dois estudos foram realizados para avaliar o desempenho da rede neural em valores de fluxo de calor dentro e fora dos utilizados durante o treinamento. Os resultados mostram que o desempenho é semelhante para fluxos de calor dentro e fora dos de treinamento e validação, desde que o regime de escoamento se mantenha, o que indica que essas redes são capazes de realizar esse tipo de interpolação multidimensional. Por fim, o funcionamento interno da rede neural é explorado e seu desempenho em dados transientes é avaliado. Ambos os métodos podem ser aprimorados e potenciais áreas a serem exploradas com esse objetivo são indicadas.

Abstract : Two new methods of analyzing high heat flux fluid flows were developed with the idea of bringing closer together two diverse areas of knowledge: statistics and thermal sciences. In the first method, The effect of the uncertainty of convective heat transfer correlations on bulk flow properties of interest such as the temperature and enthalpy was investigated using a steady state, dimensionless, one-dimensional internal flow model of a supercritical fluid heat exchanger. The sensitivity of bulk quantities to uncertainties in a correlation is shown to be a function of various parameters, including flow geometry, and, more importantly, thermophysical properties, through the Stanton number. The analysis shows that the fluid?s bulk temperature and enthalpy exhibit varying sensitivity to a correlation uncertainty, depending on local thermophysical properties. In fact, the uncertainty in temperature is attenuated near the critical temperature, whereas the uncertainty in enthalpy peaks as the flow crosses the pseudo-critical line. This behavior is further demonstrated to be a consequence of the strong property variations near the critical point, almost independently of the correlation used to estimate heat transfer. The thermodynamic location where the minimal temperature and maximal enthalpy sensitivity occur agree well with the pseudo-critical line, particularly close the critical point, for many fluids, confirming the thermodynamic nature of the phenomenon. In the second method, the application of machine learning techniques in the field of heat transfer is explored. Specifically, a convolutional neural network is trained to estimate the heat flux at a surface based on flow images. Data from seven tests were obtained, with three of them being used in training, two in validation and two for testing the neural network. Two studies were performed to evaluate the neural network performance on heat flux values in and out of the ones used in training. The results show that the performance is similar for heat flux values in and out of the ones used in training and validation, as long as in the same boiling regime, which indicates that these networks are capable of performing this kind of multidimensional interpolation. Finally, the inner workings of the convolution neural networks are explored and its performance on transient data is evaluated. Both methods might be improved and potential areas to be explored with this objective are indicated.