Multi-objective Optimization of Staggered Tube Banks in Cross-flow Using Machine Learning and Genetic Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents the numerical multi-objective optimization of staggered tube banks in cross-flow using neural networks and genetic algorithm. The objective is to determine the optimal dimensionless transverse and longitudinal pitches that establish a proper compromise between heat transfer enhancement and pressure drop minimization across a wide range of inlet Reynolds numbers (1,000–50,000). Tube banks simulations are performed for randomly selected pairs of design points to generate data on Nusselt number and friction factor. This dataset is used to train neural networks, which predict heat transfer and pressure drop characteristics as functions of dimensionless pitches. Appropriate objective functions are defined using trained neural networks and integrated into Genetic Algorithm to efficiently identify Pareto-optimal solutions. Results indicate that Reynolds number has a negligible effect on the Pareto front, as the optimal trade-offs between heat transfer and pressure drop remain consistent across different flow regimes. The best point on the Pareto front, defined as the solution with the minimum distance to the utopia point, exhibits dimensionless longitudinal and transverse pitches of approximately 0.90 and 1.30, respectively, regardless of the Reynolds number. Additionally, the study confirms that compact tube banks with dimensionless longitudinal pitches smaller than 1.0, often excluded in experimental and numerical studies, can be successfully simulated and optimized using the proposed framework. The findings provide practical guidelines for designing high-efficiency staggered tube banks and demonstrate a computationally efficient approach to optimize heat exchanger configurations without relying on empirical correlations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle