Análise experimental, numérica e preditiva com redes neurais artificiais da queda de pressão em geometrias giroides

Abstract

O desempenho hidrodinâmico em geometrias de superfícies mínimas triplamente periódicas do tipo giroide tem sido objeto de estudos recentes para trocadores de calor, nos quais as quedas de pressão são elevadas. Contudo, nenhum estudo comparou a influência de bocais nem analisou como a variação geométrica da estrutura giroide ao longo do núcleo afeta a queda de pressão, segundo as teorias de escoamentos internos ou de meios porosos. Neste trabalho caracterizaram-se experimental e numericamente as quedas de pressão em núcleos com geometria giroide, além de se propor uma ferramenta alternativa às correlações tradicionais, baseada em redes neurais. Na parte experimental, fabricaram-se as amostras por estereolitografia, enquanto as simulações foram realizadas no software comercial ANSYS Fluent. No primeiro conjunto avaliaram-se três bocais: reto, cônico e divergente-convergente em quatro níveis de porosidade. Ensaios e simulações mostraram que os bocais cônico e divergente-convergente reduziram a queda de pressão entre 5,9 % e 37 %, em relação ao núcleo sem bocal, devido à redistribuição de pressão na entrada. No segundo conjunto mediu-se experimentalmente a queda de pressão nos núcleos, calculou-se o fator de atrito de Fanning e extraiu-se a permeabilidade de Darcy e o coeficiente inercial de Forchheimer para três diâmetros de núcleo. O fator de atrito revelou-se inadequado devido a área a seção transversal variar ao longo do núcleo, variando as velocidades locais; as simulações indicaram desvios de 0,7 m/s na velocidade e de 15,3 % na área de seção transversal. Entretanto, a permeabilidade de Darcy e o termo inercial de Forchheimer, extraídos pelo ajuste dos dados à equação de Darcy-Forchheimer, mantiveram valores semelhantes entre os diferentes diâmetros de núcleo, reforçando que estruturas TPMS giroide se adequam melhor a teoria de meios porosos. Por fim treinou-se uma rede neural do tipo perceptron multicamadas para prever a queda de pressão por comprimento. O arranjo com velocidade superficial, porosidade, espessura de parede e tamanho de célula, aliado a quatro camadas ocultas (256-128-256-256 neurônios), obteve os menores erros médios quadráticos e erro percentual médio. O modelo previu os dados experimentais com desvio máximo de 10 %, enquanto correlações tradicionais divergiram em até 20 %. Esses resultados demonstraram que a escolha adequada da geometria de bocais contribui para a redução da queda de pressão, e que o tratamento do núcleo como meio poroso, aliado ao uso de redes neurais, aprimorara a previsão do desempenho hidrodinâmico em trocadores de calor com estruturas giroide.

Abstract: The hydraulic performance of flows through triply periodic minimal surface gyroid geometries has recently been studied for heat-exchanger applications, where pressure drops are typically high; yet no work has compared the influence of nozzles or examined how geometric variation of the gyroid structure along the core affects pressure drop within the frameworks of internal-flow or porous-media theory. In this study, pressure drops in gyroid cores were characterized experimentally and numerically, and an alternative tool to traditional correlations based on neural networks was proposed. Samples were fabricated by stereolithography, and simulations were carried out in ANSYS Fluent. Three nozzles (straight, conical, and convergent? divergent) were evaluated at four porosity levels, and tests and simulations showed that the conical and convergent?divergent nozzles reduced pressure drop by 5.9 % to 37 % relative to a core without a nozzle due to better pressure redistribution at the inlet. Pressure drop across the cores was then measured, the Fanning friction factor was calculated, and Darcy permeability and the Forchheimer inertial coefficient were extracted for three core diameters. Because the cross-sectional area varies along the core, the friction factor proved inadequate simulations revealed local velocity deviations of 0.7 m/s and cross-sectional-area variations of 15.3 % whereas the Darcy permeability and Forchheimer term obtained by fitting the data to the Darcy? Forchheimer equation remained nearly constant across diameters, indicating that gyroid structures are better described as porous media. Finally, an multilayer Perceptron neural network was trained to predict pressure drop per unit length; logarithmic transformation of data improved performance. The input set comprising superficial velocity, porosity, wall thickness, and cell size, processed through four hidden layers (256-128-256-256 neurons), achieved the lowest root mean square error and mean average percentual error, predicting experimental data with a maximum deviation of 10 %, while traditional correlations diverged by up to 20 %. These findings show that selecting suitable nozzles, modeling the core as a porous medium, and using neural networks together reduce pressure drop and enhance hydraulic-performance prediction in gyroid heat exchangers.