基于PSO-BP-ANN模型的板翅式换热器性能预测与优化研究

《Energies》：Plate–Fin Heat Exchanger Study: Performance Prediction and Optimization Using PSO-BP-ANN Model

　　

板翅式换热器（Plate–Fin Heat Exchangers, PFHEs）广泛应用于石油化工、能源电力、航空航天及其他具有大热通量需求的工业领域。针对此类换热器（Heat Exchangers, HEs）设计与运行中性能预测和优化方法的研究日益重要。本研究建立了包含四种不同结构参数板翅式换热器流动与传热特性数据库，并基于该数据库，采用粒子群优化（Particle Swarm Optimization, PSO）算法对反向传播人工神经网络（Back-Propagation Artificial Neural Network, BP-ANN）模型进行优化，构建PSO-BP-ANN模型以实现对该四种类型板翅式换热器性能的预测。该组合方法显著提升了BP-ANN模型的预测精度与泛化能力。此外，研究人员采用第二代非支配排序遗传算法（Non-Dominated Sorting Genetic Algorithm II, NSGA-II）表征了层流条件下锯齿型板翅式换热器待优化的四个结构参数（翅片长度、高度、间距及厚度）与两个目标函数（j因子和f因子）之间的关系，从而获得Pareto最优解集。结果表明：在层流工况（Re = 800）下，当翅片高度、间距、厚度及长度分别为9.29 mm、1.22 mm、0.16 mm及3.06 mm时，锯齿翅片换热器可实现最佳传热性能。

该研究聚焦于板翅式换热器（Plate–Fin Heat Exchangers, PFHEs）的性能预测与结构优化问题，论文发表于《Energies》期刊。随着全球节能减排需求的日益迫切，传统能源行业亟需提高效率，同时物联网技术的快速发展催生了智能换热器（Intelligent Heat Exchangers, HEs）的概念。板翅式换热器因其紧凑高效的特点，已广泛应用于石油化工、能源电力、海洋工程及航空航天等领域。其核心部件——板束由翅片和导流片经钎焊而成，常见结构包括平直翅片、波纹翅片、锯齿翅片、多孔翅片和百叶窗翅片等。由于翅片通道结构复杂，传统依赖经验关联式的性能预测方法受限于几何结构、工质类型及工况范围，预测误差较大。近年来，机器学习算法（Machine Learning Algorithms, MLAs）因收敛快、精度高的优势逐渐成为研究热点，但仍面临初始参数敏感、易陷入局部最优等挑战。为此，研究人员构建了一套数据驱动的预测与优化框架，旨在解决板翅式换热器设计中传热强化与流动阻力降低相矛盾的核心难题。

研究人员开展了以下工作：首先，通过文献数据与计算流体力学（Computational Fluid Dynamics, CFD）数值模拟相结合的方式，建立了四种类型板翅式换热器翅片通道的传热与流动阻力性能数据库。其中，锯齿翅片通道的CFD模拟采用ANSYS Fluent 17.0软件，基于稳态不可压缩模型，在300≤Re<1000范围采用层流模型，Re>1000时采用SST k-ω湍流模型，经网格独立性验证后确保了数值可靠性。其次，针对BP-ANN模型易受初始权重和阈值影响而陷入局部最优的缺陷，引入PSO算法优化网络参数，构建了PSO-BP-ANN预测模型。最后，将优化后的预测模型与NSGA-II多目标优化算法相结合，以锯齿翅片换热器为对象，在层流工况（Re=800）下以最大化传热因子j和最小化阻力因子f为双目标，对翅片高度（Fh）、翅片间距（Fp）、翅片厚度（t）和翅片长度（Ld）四个结构参数进行优化，获得Pareto最优解集，并通过综合传热性能因子（Flow and Heat Transfer Enhancement Factor, FTEF）评估最优方案。

研究结果表明：基于所建立的数据库，PSO-BP-ANN模型相较于原始BP-ANN模型具有更高的预测精度和稳定性，克服了随机初始权重和阈值对预测的不利影响。在独立实验数据验证中，PSO-BP-ANN模型较经验关联式展现出更宽的适用范围和更高的精度，能够有效替代经验关联式用于板翅式换热器的热力水力特性预测。针对锯齿翅片通道的多目标优化结果显示，Pareto前沿呈先单调上升后逐渐陡峭的趋势，传热因子j与阻力因子f存在正相关关系。通过选取三个代表性Pareto最优点（A、B、C）进行分析，发现点B具有最佳的综合流动传热性能，其参数组合的CFD数值验证误差均在5%以内。当翅片高度、间距、厚度及长度分别为9.29 mm、1.22 mm、0.16 mm和3.06 mm时，锯齿翅片换热器在层流条件下达到最优传热性能。

在研究方法上，研究人员主要采用了以下关键技术：一是CFD数值模拟技术，包括ICEM结构化网格生成、边界层网格加密、SIMPLE压力-速度耦合算法及二阶迎风格式；二是PSO-BP-ANN机器学习模型，采用三层神经网络结构，以无量纲参数为输入，通过R²、均方根误差（Root Mean Square Error, RMSE）和平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）评估模型性能；三是NSGA-II多目标优化算法，结合TOPSIS决策方法从Pareto前沿选取最优解；四是正交试验设计方法用于结构参数的组合选取。

具体研究结果按章节概述如下：

**数据库建立**：通过文献数据与CFD数值模拟相结合的方式，建立了以空气为工质的四种类型板翅式换热器翅片通道传热与流动阻力性能数据库。其中锯齿翅片通道采用Al-Mn合金材料，模拟中假设流体不可压缩、无相变、物性恒定，忽略热辐射和自然对流影响。经网格独立性验证（j和f变化率均小于1%）及与实验数据对比（j和f的MAPE分别为8.07%和9.28%），确认了数值模拟的可靠性。通过正交试验设计补充了25组国内锯齿翅片通道的CFD数据，扩展了数据库覆盖范围。

**机器学习模型建立**：在样本预处理阶段，采用[0.15, 0.85]区间的归一化方法消除变量量级差异。针对每种翅片类型独立建立BP-ANN模型，通过迭代调优确定最优激活函数、训练算法、学习率和隐层神经元数。进一步引入PSO算法，以训练集RMSE为适应度函数，对BP-ANN的权重和阈值进行全局寻优，设置最大进化代数为200，种群规模为100。

**预测结果与误差分析**：BP-ANN模型对四种翅片类型预测的MAPE均在10%以内，但部分预测值偏差超过10%。经PSO优化后，PSO-BP-ANN模型显著改善了预测精度和稳定性，有效克服了随机初始参数的不利影响。与经验关联式的对比验证表明，PSO-BP-ANN模型在适用范围内的预测精度和便利性均具有明显优势。

**多目标优化策略分析**：将PSO-BP-ANN模型与NSGA-II耦合，以Re=800为优化工况，以最大j和最小f为双目标，在Fh∈[2.7, 9.3] mm、Fp∈[1.2, 3.2] mm、t∈[0.1, 0.5] mm、Ld∈[3, 9] mm范围内进行优化。经250代进化获得Pareto最优解集，曲线呈先缓升后陡升形态。选取的A、B、C三点中，点B的FTEF值最优，其参数组合的CFD验证误差均在5%以内。单因素分析揭示了各结构参数对流动传热性能的影响规律：增大翅片高度可增强换热但增加压降；减小翅片间距强化换热同时阻力增大；减薄翅片厚度有利于降低阻力；缩短翅片长度促进边界层再生但带来额外压降损失。

**优化结果分析**：CFD模拟结果显示，流速分布沿主流区增加，空气流经翅片单元时在 leading edge 附近重新分配，温度场呈现类似的周期性发展特征。热边界层在翅片表面形成后被周期性破坏并重新发展。最优几何构型并非单纯追求最大j因子，而是在边界层更新、可用翅片表面积与流动阻力代价之间取得平衡。FTEF对比和CFD验证均表明所选参数组合与锯齿翅片通道的热力水力权衡特性一致。

**结论部分翻译**：本研究采用CFD、PSO-BP-ANN与NSGA-II相结合的多目标优化方法，对四种类型板翅式换热器通道进行了性能预测与优化，主要结论如下：（1）基于CFD模拟和经验关联式建立的四种类型板翅式换热器传热与阻力数据库，经训练后，PSO-BP-ANN预测模型较BP-ANN模型具有更高的预测精度和泛化能力；（2）PSO-BP-ANN模型预测值与经验关联式在独立实验数据上的对比证明，人工神经网络能够有效替代经验关联式用于预测板翅式换热器的热力水力特性，PSO-BP-ANN模型具有更宽的适用范围和更高的精度；（3）基于PSO-BP-ANN模型对锯齿翅片通道的预测结果，采用NSGA-II对结构变量（Fh、Fp、t、Ld）进行双目标（j和f）优化，结果表明：在层流条件（Re=800）下，当翅片高度、间距、厚度和长度分别为9.29、1.22、0.16和3.06时，锯齿翅片换热器达到最佳传热性能。