Vibadilishaji joto vya ganda-na-mirija ni vifaa vya joto vinavyowezesha uhamishaji wa nishati kati ya vimiminika viwili vyenye halijoto tofauti bila kuvichanganya na hutumiwa katika matumizi mengi ya viwandani kama uzalishaji wa nishati, michakato ya kemikali, upoozaji, HVAC na urejeshaji wa joto taka. Utafiti huu unaunganisha vyanzo vitatu vya maarifa katika mfumo mmoja wa kihesabu ili kutathmini tabia ya kibadilishaji joto cha ganda-na-mirija: modeli bainifu ya fizikia inayotegemea sheria ya kwanza ya thermodynamics, Logarithmic Mean Temperature Difference (LMTD) na mbinu za effectiveness–NTU; vipimo vya majaribio vya halijoto na mtiririko; na Bayesian Neural Network (BNN) inayotumika kujifunza mahusiano yasiyo ya mstari kwa namna ya uwezekano. Mfumo ulioundwa kwa Python huchanganua halijoto za kutoka, nguvu ya joto inayohamishwa, mgawo wa jumla wa uhamishaji joto, effectiveness ya joto, mgawanyo wa nishati na uso wa mwitikio wa joto wa pande tatu. Utafiti wa chanzo unaripoti ulinganifu wa \(R^2=0.9436\) kati ya vipimo vya majaribio na utabiri. Katika grafu za matokeo, BNN hufuata kwa karibu mabadiliko makuu ya halijoto ya kutoka ya kimiminika baridi, nguvu ya joto na ufanisi. Hata hivyo, usanifu wa BNN, mgawanyo wa mafunzo/majaribio, mbinu ya posterior inference na vigezo vya calibration ya kutokuwa na uhakika havijaelezwa kwa kina. Vilevile, jiometri ya kibadilishaji joto cha majaribio, sifa za vimiminika na usahihi wa sensa haujaripotiwa kikamilifu. Kwa hiyo, ingawa utafiti unatoa mfumo wenye matumaini wa kutumia pamoja modeli inayotegemea fizikia na machine learning ya uwezekano, uthibitishaji wa ziada unahitajika kabla ya kuhamisha moja kwa moja utendaji ulioripotiwa kwenye mifumo mingine ya vibadilishaji joto.

Uhamishaji Joto Katika Kibadilishaji cha Ganda-na-Mirija Unahesabiwaje?

Sehemu ya utafiti inayotegemea fizikia huanza na energy balance ya vimiminika vya moto na baridi; joto linalohamishwa huhesabiwa kwa kutumia mass flow rate, specific heat na halijoto za kuingia-kutoka, thermal driving force huamuliwa kwa LMTD na mgawo wa jumla wa uhamishaji joto hutathminiwa kupitia uhusiano \(Q=UA\Delta T_{lm}\).

Katika hali thabiti na pale mabadiliko ya kinetic/potential energy yanapoweza kupuuzwa, uhamishaji joto wa kimiminika hufafanuliwa kama:

\[ Q=\dot{m}c_p(T_{out}-T_{in}) \tag{1} \]

Hapa \(Q\) ni kiwango cha uhamishaji joto, \(\dot m\) ni mass flow rate, \(c_p\) ni specific heat capacity, na \(T_{in}\) pamoja na \(T_{out}\) ni halijoto za kuingia na kutoka.

Katika hali bora, nishati inayopotezwa na kimiminika moto ni sawa na nishati inayopokelewa na kimiminika baridi. Chanzo kinazingatia hasara za mfumo halisi kwa:

\[ Q_h=Q_c+Q_{loss} \tag{2} \]

muundo huo.

Logarithmic Mean Temperature Difference

Kwa kuwa tofauti ya halijoto si ya kudumu katika urefu wa kibadilishaji joto, nguvu ya wastani ya kuendesha mchakato huhesabiwa kwa LMTD:

\[ \Delta T_{lm} = \frac{\Delta T_1-\Delta T_2} {\ln\left(\frac{\Delta T_1}{\Delta T_2}\right)} \tag{3} \]

\[ \Delta T_1=T_{h,in}-T_{c,out} \tag{4} \]

\[ \Delta T_2=T_{h,out}-T_{c,in}. \tag{5} \]

Uhamishaji joto kisha huhusishwa na:

\[ Q=UA\Delta T_{lm} \tag{6} \]

na:

\[ U=\frac{Q}{A\Delta T_{lm}} \tag{7} \]

.

Mgawo wa jumla wa uhamishaji joto katika chanzo hutolewa kupitia total thermal resistance:

\[ \frac{1}{U} = \frac{1}{h_i} + R_{f,i} + \frac{\delta}{k} + R_{f,o} + \frac{1}{h_o} \tag{8} \]

Hapa \(h_i\) na \(h_o\) ni inner na outer convection coefficients, \(R_f\) ni fouling resistances, \(\delta\) ni unene wa ukuta wa bomba na \(k\) ni thermal conductivity ya material ya bomba.

Mbinu ya ε–NTU Inaonyeshaje Effectiveness ya Kibadilishaji Joto?

Mbinu ya ε–NTU hufafanua effectiveness ya joto ya mfumo kwa kutumia uwiano wa uhamishaji halisi wa joto dhidi ya uhamishaji wa juu zaidi wa joto unaowezekana thermodynamically chini ya masharti ya kuingia yaliyopo, na kwa hiyo haizingatii tu absolute thermal power bali pia kiwango ambacho kibadilishaji joto kinatumia potential ya halijoto inayopatikana.

Effectiveness:

\[ \varepsilon= \frac{Q}{Q_{max}} \tag{9} \]

na maximum theoretical heat transfer:

\[ Q_{max} = C_{min}(T_{h,in}-T_{c,in}) \tag{10} \]

huhesabiwa.

Heat capacity rate ya kimiminika:

\[ C=\dot m c_p \tag{11} \]

na idadi ya transfer units:

\[ NTU=\frac{UA}{C_{min}} \tag{12} \]

huandikwa hivyo.

Kwa Nini Bayesian Neural Network Ni Tofauti na Neural Network ya Kawaida?

Katika Bayesian Neural Network, uzito wa mtandao hauchukuliwi tu kama thamani moja iliyoboreshwa bali kama probability distributions; kinadharia muundo huu huruhusu kutathmini si tu point prediction kwa input ileile, bali pia probability distribution ya prediction na kwa hiyo epistemic uncertainty yake.

Chanzo hufafanua posterior weight distribution kwa theorem ya Bayes:

\[ P(w|D) = \frac{P(D|w)P(w)} {P(D)} \tag{13} \]

Hapa \(w\) inawakilisha uzito wa mtandao na \(D\) inawakilisha experimental dataset.

Kwa hali mpya ya uendeshaji \(x^*\), posterior predictive distribution huandikwa kama:

\[ P(y^*|x^*,D) = \int P(y^*|x^*,w) P(w|D)\,dw \tag{14} \]

.

Formulation hii huipa BNN uwezo wa kukokotoa kutokuwa na uhakika. Hata hivyo, kwa kuwa matokeo ya chanzo hayaripoti kwa kiasi uncertainty band, posterior standard deviation, interval coverage au calibration metric nyingine, matokeo ya majaribio yaliyoonyeshwa katika utafiti kimsingi ni ulinganifu wa point predictions na vipimo.

Mbinu na Matokeo

Mtiririko wa kazi wa kihesabu

1. Halijoto za kuingia na kutoka, flow rates za vimiminika moto na baridi na muda wa uendeshaji hupimwa kutoka kwenye kibadilishaji joto.
2. Data hufanyiwa preprocessing kwa kuangalia consistency, missing records na normalization.
3. Modeli ya fizikia inayotegemea NumPy, SciPy na Pandas huhesabu \(Q\), LMTD, \(U\), \(\varepsilon\) na NTU.
4. BNN hufundishwa kwa kutumia TensorFlow na TensorFlow Probability.
5. Hesabu ya fizikia, kipimo cha majaribio na predictions za BNN hulinganishwa chini ya hali zilezile za uendeshaji.

Utendaji wa utabiri wa BNN

Katika Figure 1, training loss hupungua haraka katika iterations za mwanzo na baadaye hukaribia kiwango cha chini. Experimental T3 outlet temperature na BNN prediction zinaingiliana kwa kiasi kikubwa. Katika utabiri wa thermal power, peaks na drops kuu hufuatiliwa, na efficiency curve pia hufuata kwa karibu tabia ya jumla ya majaribio.

Katika sehemu za abstract, discussion na conclusion za utafiti wa chanzo, kiashiria kikuu cha kiasi cha usahihi kinaripotiwa kama:

\[ R^2=0.9436 \]

Hata hivyo, ingawa MAE, RMSE na MAPE zimefafanuliwa katika sehemu ya mbinu, thamani zake za namba hazijatolewa katika matokeo.

Ni kiasi gani cha nishati kinahamishwa kwa manufaa?

Chanzo kinatoa summary values tofauti katika figures mbili na hakielezi tofauti ya pointi 1.1 za asilimia inatokana na tofauti gani ya hesabu au sampuli. Kwa hiyo thamani hizi hazijaunganishwa kuwa namba moja.

Muhtasari wa uendeshaji wa majaribio katika Figure 5

Nini hutokea flow rate na halijoto zinapoongezeka?

Three-dimensional response surface katika Figure 4 inaonyesha kuwa cold-side flow rate na hot-fluid inlet temperature zinapoongezeka pamoja, thermal power inayohamishwa pia huongezeka. Chanzo kinahusisha hili na thermal driving force kubwa zaidi pamoja na kuongezeka kwa convective transport capacity.

Uso kuwa smooth na continuous katika parameter range iliyochunguzwa umetafsiriwa na waandishi wa chanzo kama dalili ya stable thermal behavior. Hata hivyo, kwa kuwa uso huo unatokana na interpolation ya experimental region iliyopo, haupaswi kutumiwa kama validated optimization map kwa hali za uendeshaji zilizo nje ya chanzo.

Ulinganifu wa variables na graphics ndani ya chanzo

• Katika maelezo ya Figure 2(b), \(Q1\) inaitwa “heat transfer rate”, huku katika Figure 4 \(Q1\) ikitumika kama “Cold Flow Rate”.
• Maelezo ya Figure 3 hutumia variable \(Q2\) kwa flow rate.
• Figure 2(c) ina title “Power vs T4” lakini vertical axis imeandikwa “T2”; numerical scale ya vertical axis inaendana na thermal power.
• Figure 2 inatoa average useful-energy ratio ya 37.1%, huku Figure 5 ikitoa 38.2%.

Matokeo yanayoungwa mkono na utafiti

• Physics-based heat-transfer calculations, experimental measurements na BNN zinaweza kuunganishwa ndani ya computational framework moja.
• BNN kwa ujumla hufuata kwa karibu mabadiliko ya experimental T3 temperature, thermal power na efficiency.
• Chanzo kinaripoti \(R^2=0.9436\) kwa overall prediction–experiment agreement.
• Kuongezeka kwa flow rate na hot-side inlet temperature kunahusishwa na thermal power kubwa zaidi katika hali zilizochunguzwa.
• Kuwepo kwa energy loss kubwa katika kibadilishaji joto kunaonekana katika Figure 2 na Figure 5.
• Bayesian formulation kinadharia huruhusu kukokotoa prediction uncertainty pamoja na point prediction.

Majumuisho yasiyoungwa mkono na utafiti

• \(R^2=0.9436\) si BNN accuracy inayotarajiwa kwa shell-and-tube heat exchangers zote.
• Utafiti haujathibitisha kwa kiasi calibration ya uncertainty prediction ya BNN.
• Kwa kuwa MAE, RMSE na MAPE result values hazijaripotiwa katika chanzo, haziwezi kuzalishwa upya.
• Kwa kuwa detailed geometry ya experimental setup na sensor metrology hazijatolewa, maabara nyingine haiwezi kurudia jaribio lilelile kwa usahihi kamili.
• Kwa kuwa network structure ya BNN, priors, posterior inference technique na data split hazijaelezwa kwa kina, AI model haiwezi kuzalishwa upya kikamilifu.
• Response surface ya Figure 4 si validated performance guarantee kwa hali za uendeshaji zilizo nje ya experimental range.
• Ingawa chanzo kinaonyesha fouling katika thermal-resistance equation, hakijathibitisha athari halisi ya fouling kwa separate experimental campaign.
• Utafiti huu haujatekeleza real-time digital twin au predictive-maintenance system kwenye field; haya yanapendekezwa kama maeneo ya future work.

Maelezo ya Chanzo na Mbinu

Utafiti asilia:Integrated Computational Modeling of a Shell-and-Tube Heat Exchanger Using Physics-Based Equations, Experimental Data, and Bayesian Neural Networks.

Waandishi: Donald Daniel Erazo Velasco, Cecibell Alexandra Malavé Vivar na José Luis Guamán Chacha.

Affiliations katika source PDF: Donald Daniel Erazo Velasco — Independent Researcher, Ecuador; Cecibell Alexandra Malavé Vivar na José Luis Guamán Chacha — Escuela Superior Naval “Comandante Rafael Morán Valverde”, Armada del Ecuador, Guayaquil, Ecuador.

Mwandishi wa mawasiliano: Katika source PDF, Donald Daniel Erazo Velasco.

ORCID: Donald Daniel Erazo Velasco — 0009-0008-3491-9740.

DOI: 10.2139/ssrn.7127018.

SSRN ID: 7127018.

Tarehe: Rekodi ya SSRN inaonyesha tarehe ya kuandikwa kwa utafiti kuwa 16 Julai 2026 na tarehe ya kupakiwa kwenye platform kuwa 31 Julai 2026.

Hali ya uchapishaji: SSRN research preprint. Kufikia 8 Septemba 2026, hakuna separate peer-reviewed journal version yenye title/DOI hiyo iliyothibitishwa.

Dokezo la bibliographic affiliation: Taarifa za taasisi kwenye SSRN web record hazilingani kabisa na title page ya source PDF. Wakati wa kuandaa scientific article identity, PDF byline imetumika kama msingi na tofauti ya web record haijabadilishwa kimya kimya.

Aina ya utafiti: Integrated computational study inayounganisha experimental measurement, classical thermal-engineering calculations na probabilistic machine learning.

Modeli ya fizikia: First-Law energy balance, LMTD, overall heat-transfer coefficient, thermal-resistance model, ε–NTU.

Programu: Python, NumPy, SciPy na Pandas kwa physics calculation; TensorFlow na TensorFlow Probability kwa BNN.

Ufadhili: Rekodi ya SSRN inasema hakuna external funding.

Mgongano wa maslahi: Katika rekodi ya SSRN, waandishi wanatangaza kuwa hakuna known competing financial interest au personal relationship.

Maadili: Rekodi ya SSRN inaeleza kuwa ethical approval haikutumika kwa kuwa hakuna human, animal au clinical data.

Kikomo cha reproducibility: Heat-exchanger geometry, effective area, tube material, working fluids, sensor na flowmeter accuracies, dataset sample count na detailed experimental protocol hazijatolewa katika chanzo. Kwa BNN pia full network architecture, prior/likelihood choice, posterior inference algorithm na data split hazijaripotiwa.

Dokezo la uncertainty: Ingawa Bayesian posterior predictive distribution imefafanuliwa kihisabati, confidence/credible interval widths au calibration metrics hazijaripotiwa katika matokeo.

Dokezo la consistency ndani ya chanzo: Figure 2 na Figure 5 zinaonyesha 37.1% na 38.2% mtawalia kwa energy efficiency. Pia kuna naming inconsistencies ndani ya chanzo katika variables Q1/Q2 na axis labels za Figure 2(c).

Hakimiliki: Rekodi ya SSRN inaeleza kuwa haki zote zimehifadhiwa na reuse bila ruhusa hairuhusiwi. Badala ya kunakili source figures moja kwa moja, inafaa kuchora upya kwa Verianla heat exchanger, physics model, experimental data na BNN flow kwa original schematics.