Табдилдиҳандаҳои гармии қишр-қубур таҷҳизоти ҳароратие мебошанд, ки байни ду моеъ бо ҳароратҳои гуногун бе омехташавӣ интиқоли энергияро таъмин мекунанд ва дар бисёр татбиқҳои саноатӣ, аз ҷумла истеҳсоли энергия, равандҳои кимиёвӣ, сардкунӣ, HVAC ва бозёфти гармии партов истифода мешаванд. Ин таҳқиқот барои арзёбии рафтори як табдилдиҳандаи гармии қишр-қубур се манбаи иттилоъро дар як чаҳорчӯбаи ҳисоббарорӣ муттаҳид мекунад: модели детерминистии физикӣ, ки ба қонуни якуми термодинамика, Фарқи Миёнаи Логарифмии Ҳарорат (LMTD) ва усулҳои самаранокӣ–NTU асос ёфтааст; ченкуниҳои таҷрибавии ҳарорат ва ҷараён; ва Bayesian Neural Network (BNN), ки барои омӯхтани робитаҳои ғайрихаттӣ ба шакли эҳтимолӣ истифода мешавад. Чаҳорчӯбаи сохташуда бо Python ҳароратҳои баромад, қувваи ҳароратии интиқолёфта, коэффисиенти умумии интиқоли гармӣ, самаранокии ҳароратӣ, тақсимоти энергия ва сатҳи сеандозаи посухи ҳароратиро таҳлил мекунад. Таҳқиқоти манбаъ мутобиқати \(R^2=0.9436\)-ро байни ченкуниҳои таҷрибавӣ ва пешгӯиҳо гузориш медиҳад. Дар графикҳои натиҷа BNN тағйироти асосии ҳарорати баромади моеъи сард, қувваи ҳароратӣ ва самаранокиро аз наздик пайгирӣ мекунад. Бо вуҷуди ин, меъмории BNN, тақсимоти омӯзиш/санҷиш, усули posterior inference ва меъёрҳои калибркунии номуайянӣ дар таҳқиқот муфассал дода нашудаанд. Ба ҳамин монанд, геометрияи табдилдиҳандаи гармии таҷрибавӣ, хосиятҳои моеъҳо ва дақиқии сенсорҳо пурра гузориш нашудаанд. Аз ин рӯ, ҳарчанд таҳқиқот чаҳорчӯбаи умедбахш барои истифодаи якҷояи модели физикабунёд ва омӯзиши мошинии эҳтимолӣ пешниҳод мекунад, барои интиқоли мустақими иҷрои гузоришшуда ба системаҳои гуногуни табдилдиҳандаи гармӣ санҷиши иловагӣ лозим аст.
Интиқоли Гармӣ Дар Табдилдиҳандаи Қишр-Қубур Чӣ Гуна Ҳисоб Карда Мешавад?
Қисми физикабунёди таҳқиқот аз тавозуни энергияи моеъҳои гарм ва сард оғоз мешавад; бо истифода аз сарфи масса, гармии хос ва ҳароратҳои вуруд-баромад гармии интиқолёфта ҳисоб карда мешавад, бо LMTD қувваи ҳаракатдиҳандаи ҳароратӣ муайян ва тавассути муносибати \(Q=UA\Delta T_{lm}\) коэффисиенти умумии интиқоли гармӣ арзёбӣ мешавад.
Дар ҳолати устувор ва бо тағйироти ночизи энергияи кинетикӣ/потенсиалӣ интиқоли гармии як моеъ:
\[ Q=\dot{m}c_p(T_{out}-T_{in}) \tag{1} \]
муайян карда мешавад. Дар ин ҷо \(Q\) суръати интиқоли гармӣ, \(\dot m\) сарфи масса, \(c_p\) гармиғунҷоиши хос ва \(T_{in}\) ва \(T_{out}\) ҳароратҳои вуруд ва баромад мебошанд.
Дар ҳолати идеалӣ энергияи аз дастдодаи моеъи гарм ба энергияи гирифтаи моеъи сард баробар аст. Манбаъ талафоти системаи воқеиро:
\[ Q_h=Q_c+Q_{loss} \tag{2} \]
ба ҳисоб мегирад.
Фарқи Миёнаи Логарифмии Ҳарорат
Азбаски фарқи ҳарорат дар тӯли табдилдиҳандаи гармӣ доимӣ нест, қувваи миёнаи ҳаракатдиҳанда бо LMTD ҳисоб карда мешавад:
\[ \Delta T_{lm} = \frac{\Delta T_1-\Delta T_2} {\ln\left(\frac{\Delta T_1}{\Delta T_2}\right)} \tag{3} \]
\[ \Delta T_1=T_{h,in}-T_{c,out} \tag{4} \]
\[ \Delta T_2=T_{h,out}-T_{c,in}. \tag{5} \]
Сипас интиқоли гармӣ:
\[ Q=UA\Delta T_{lm} \tag{6} \]
ва:
\[ U=\frac{Q}{A\Delta T_{lm}} \tag{7} \]
бо ҳам вобаста карда мешаванд.
Коэффисиенти умумии интиқоли гармӣ дар манбаъ тавассути муқовимати умумии ҳароратӣ:
\[ \frac{1}{U} = \frac{1}{h_i} + R_{f,i} + \frac{\delta}{k} + R_{f,o} + \frac{1}{h_o} \tag{8} \]
дода шудааст. \(h_i\) ва \(h_o\) коэффисиентҳои конвексияи дохилӣ ва берунӣ, \(R_f\) муқовиматҳои fouling, \(\delta\) ғафсии девори қубур ва \(k\) гузаронандагии ҳароратии маводи қубур мебошанд.
Усули ε–NTU Самаранокии Табдилдиҳандаи Гармиро Чӣ Гуна Нишон Медиҳад?
Усули ε–NTU самаранокии ҳароратии системаро бо истифода аз нисбати интиқоли воқеии гармӣ ба интиқоли максималии аз ҷиҳати термодинамикӣ имконпазир дар шароити мавҷудаи вуруд муайян мекунад ва аз ин рӯ на танҳо ба қувваи мутлақи ҳароратӣ, балки ба он ки табдилдиҳандаи гармӣ то чӣ андоза аз потенсиали дастраси ҳарорат истифода мебарад, тамаркуз мекунад.
Самаранокӣ:
\[ \varepsilon= \frac{Q}{Q_{max}} \tag{9} \]
ва интиқоли максималии назариявии гармӣ:
\[ Q_{max} = C_{min}(T_{h,in}-T_{c,in}) \tag{10} \]
ҳисоб карда мешавад.
Ҷараёни гармиғунҷоиши моеъ:
\[ C=\dot m c_p \tag{11} \]
ва шумораи воҳидҳои интиқол:
\[ NTU=\frac{UA}{C_{min}} \tag{12} \]
мебошанд.
Чаро Шабакаи Нейронии Байесӣ Аз Шабакаи Нейронии Классикӣ Фарқ Мекунад?
Дар Bayesian Neural Network вазнҳои шабака на танҳо ҳамчун як адади оптимизатсияшуда, балки ҳамчун тақсимоти эҳтимолӣ баррасӣ мешаванд; аз ҷиҳати назариявӣ ин сохтор имкон медиҳад, ки барои як вуруд на танҳо пешгӯии нуқтавӣ, балки тақсимоти эҳтимолии пешгӯӣ ва дар натиҷа номуайянии эпистемикии он арзёбӣ шавад.
Манбаъ тақсимоти posterior-и вазнҳоро бо теоремаи Байес:
\[ P(w|D) = \frac{P(D|w)P(w)} {P(D)} \tag{13} \]
муайян мекунад. Дар ин ҷо \(w\) вазнҳои шабака ва \(D\) маҷмӯаи маълумоти таҷрибавиро ифода мекунад.
Барои шароити нави кори \(x^*\), posterior predictive distribution:
\[ P(y^*|x^*,D) = \int P(y^*|x^*,w) P(w|D)\,dw \tag{14} \]
ифода карда мешавад.
Ин формулировка ба BNN қобилияти ҳисоб кардани номуайяниро медиҳад. Аммо азбаски дар натиҷаҳои манбаъ банди номуайянӣ, инҳирофи стандартии posterior, interval coverage ё ягон метрикаи дигари calibration ба таври ададӣ гузориш нашудааст, натиҷаи таҷрибавии нишоншуда асосан мутобиқати пешгӯиҳои нуқтавӣ бо ченкуниҳо мебошад.
Усул ва Натиҷаҳо
Ҷараёни кори ҳисоббарорӣ
- Аз табдилдиҳандаи гармӣ ҳароратҳои вуруд ва баромад, сарфи моеъҳои гарм ва сард ва вақти кор чен карда мешаванд.
- Маълумот аз ҷиҳати мутобиқат, сабтҳои гумшуда ва нормализатсия пешкоркард мешавад.
- Модели физикабунёди NumPy, SciPy ва Pandas арзишҳои \(Q\), LMTD, \(U\), \(\varepsilon\) ва NTU-ро ҳисоб мекунад.
- Бо истифода аз TensorFlow ва TensorFlow Probability BNN омӯзонида мешавад.
- Ҳисоби физикӣ, ченкунии таҷрибавӣ ва пешгӯиҳои BNN дар шароити якхелаи кор муқоиса мешаванд.
| Категория | Тағйирёбандаҳо |
|---|---|
| Вурудҳо | \(T_{h,in}\), \(T_{c,in}\), \(\dot m_h\), \(\dot m_c\), вақти кор |
| Модели физикӣ | \(Q\), \(\Delta T_{lm}\), \(U\), \(\varepsilon\), NTU |
| Баромадҳои BNN | Ҳарорати баромад, қувваи ҳароратӣ, коэффисиенти умумии интиқоли гармӣ, самаранокии ҳароратӣ |
| Метрикаҳои муайяншудаи иҷро | MAE, RMSE, MAPE, \(R^2\) |
Иҷрои пешгӯии BNN
Дар Figure 1 талафоти омӯзиш дар итератсияҳои аввал босуръат кам шуда, сипас ба сатҳи паст наздик мешавад. Ҳарорати баромади таҷрибавии T3 ва пешгӯии BNN асосан ҳампӯш мешаванд. Дар пешгӯии қувваи ҳароратӣ қуллаҳо ва пастравиҳои асосӣ пайгирӣ шуда, каҷи самаранокӣ низ рафтори умумии таҷрибавиро аз наздик такрор мекунад.
Дар бахшҳои хулоса, муҳокима ва натиҷаи таҳқиқоти манбаъ нишондиҳандаи асосии ададии дақиқӣ:
\[ R^2=0.9436 \]
гузориш шудааст. Аммо ҳарчанд MAE, RMSE ва MAPE дар бахши усул муайян шудаанд, арзишҳои ададии онҳо дар натиҷаҳо дода нашудаанд.
Чӣ қадар энергия ба таври муфид интиқол меёбад?
| Фигураи манбаъ | Муфид / самаранокӣ | Талафот | Шарҳи манбаъ |
|---|---|---|---|
| Figure 2(a) | 37.1% | 62.9% | Тавозуни миёнаи энергия |
| Figure 5 | 38.2% | 61.8% | Хулосаи умумии система |
Манбаъ дар ду фигура арзишҳои гуногуни хулосавӣ медиҳад ва шарҳ намедиҳад, ки фарқи 1.1 банди фоизӣ аз кадом фарқи ҳисоб ё намунагирӣ ба вуҷуд омадааст. Аз ин рӯ арзишҳо ба як адад табдил дода нашудаанд.
Хулосаи кори таҷрибавӣ дар Figure 5
| Бузургӣ | Арзиш |
|---|---|
| Ҳарорати баромади T3 | 37.6 °C |
| Ҳарорати баромади T4 | 41.1 °C |
| Қувваи ҳароратӣ | 20,711 W |
| Энергияи ҷамъшуда | 1,774,126.9 J |
| Самаранокии нишон додашудаи система | 38.2% |
Ҳангоми зиёд шудани ҷараён ва ҳарорат чӣ рӯй медиҳад?
Response surface-и сеандозаи Figure 4 нишон медиҳад, ки вақте сарфи тарафи сард ва ҳарорати вуруди моеъи гарм якҷоя зиёд мешаванд, қувваи ҳароратии интиқолёфта низ меафзояд. Манбаъ инро ба қувваи баландтари ҳаракатдиҳандаи ҳароратӣ ва афзоиши қобилияти интиқоли конвективӣ нисбат медиҳад.
Ҳамвор ва пайваста будани сатҳ дар диапазони параметрҳои баррасишуда аз ҷониби муаллифони манбаъ ҳамчун нишондиҳандаи рафтори устувори ҳароратӣ тафсир шудааст. Бо вуҷуди ин, азбаски сатҳ ба интерполятсияи минтақаи мавҷудаи таҷрибавӣ асос ёфтааст, набояд ҳамчун харитаи оптимизатсияи тасдиқшуда барои шароити берун аз манбаъ истифода шавад.
Мутобиқати тағйирёбандаҳо ва графикҳо дар дохили манбаъ
- Дар шарҳи Figure 2(b), \(Q1\) “heat transfer rate” номида шудааст, дар ҳоле ки дар Figure 4 \(Q1\) ҳамчун “Cold Flow Rate” истифода мешавад.
- Шарҳи Figure 3 барои flow rate тағйирёбандаи \(Q2\)-ро истифода мекунад.
- Figure 2(c) унвони “Power vs T4” дорад, аммо меҳвари амудӣ “T2” номгузорӣ шудааст; миқёси ададии меҳвари амудӣ бо қувваи ҳароратӣ мувофиқат мекунад.
- Figure 2 ҳиссаи миёнаи энергияи муфидро 37.1%, Figure 5 бошад 38.2% медиҳад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- Ҳисобҳои физикабунёди интиқоли гармӣ, ченкуниҳои таҷрибавӣ ва BNN метавонанд дар як чаҳорчӯбаи ҳисоббарорӣ муттаҳид карда шаванд.
- BNN тағйироти таҷрибавии ҳарорати T3, қувваи ҳароратӣ ва самаранокиро умуман аз наздик пайгирӣ мекунад.
- Манбаъ барои мутобиқати умумии пешгӯӣ–таҷриба \(R^2=0.9436\) гузориш медиҳад.
- Сарфи бештар ва ҳарорати вуруди тарафи гарм дар шароити омӯхташуда бо қувваи баландтари ҳароратӣ алоқаманданд.
- Дар Figure 2 ва Figure 5 дида мешавад, ки табдилдиҳандаи гармӣ талафоти назарраси энергия дорад.
- Формулировкаи Байесӣ аз ҷиҳати назариявӣ имкон медиҳад, ки дар баробари пешгӯии нуқтавӣ номуайянии пешгӯӣ низ ҳисоб карда шавад.
Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад
- \(R^2=0.9436\) дақиқии интизоршавандаи BNN барои ҳамаи табдилдиҳандаҳои гармии қишр-қубур нест.
- Таҳқиқот калибркунии пешгӯии номуайянии BNN-ро ба таври миқдорӣ тасдиқ накардааст.
- Азбаски арзишҳои натиҷавии MAE, RMSE ва MAPE дар манбаъ гузориш нашудаанд, онҳоро дубора тавлид кардан мумкин нест.
- Азбаски геометрияи муфассали таҷҳизоти таҷрибавӣ ва метрологияи сенсорҳо дода нашудааст, лабораторияи дигар наметавонад ҳамон таҷрибаро айнан такрор кунад.
- Азбаски сохтори шабакаи BNN, prior-ҳо, техникаи posterior inference ва тақсимоти маълумот муфассал дода нашудаанд, модели зеҳни сунъиро пурра дубора тавлид кардан мумкин нест.
- Response surface-и Figure 4 барои шароити берун аз диапазони таҷрибавӣ кафолати тасдиқшудаи иҷро нест.
- Гарчанде манбаъ fouling-ро дар муодилаи муқовимати ҳароратӣ нишон медиҳад, таъсири воқеии fouling бо маъракаи алоҳидаи таҷрибавӣ тасдиқ нашудааст.
- Ин таҳқиқот дар саҳро digital twin-и вақти воқеӣ ё низоми predictive-maintenance-ро татбиқ накардааст; онҳо ҳамчун самтҳои кори оянда пешниҳод мешаванд.
Ёддошт оид ба Манбаъ ва Усул
Таҳқиқоти аслӣ:Integrated Computational Modeling of a Shell-and-Tube Heat Exchanger Using Physics-Based Equations, Experimental Data, and Bayesian Neural Networks.
Муаллифон: Donald Daniel Erazo Velasco, Cecibell Alexandra Malavé Vivar ва José Luis Guamán Chacha.
Аффилиатсияҳои PDF-и манбаъ: Donald Daniel Erazo Velasco — Independent Researcher, Ecuador; Cecibell Alexandra Malavé Vivar ва José Luis Guamán Chacha — Escuela Superior Naval “Comandante Rafael Morán Valverde”, Armada del Ecuador, Guayaquil, Ecuador.
Муаллифи иртибот: Дар PDF-и манбаъ Donald Daniel Erazo Velasco.
ORCID: Donald Daniel Erazo Velasco — 0009-0008-3491-9740.
DOI: 10.2139/ssrn.7127018.
Шиносаи SSRN: 7127018.
Сана: Сабти SSRN санаи навиштани таҳқиқотро 16 июли 2026 ва санаи боргузорӣ ба платформаро 31 июли 2026 нишон медиҳад.
Мақоми нашр: Preprint-и таҳқиқотии SSRN. То 8 сентябри 2026 версияи ҷудогонаи маҷаллаи аз арзёбии ҳамтоён гузашта бо ҳамин унвон/DOI тасдиқ нашудааст.
Ёддошти аффилиатсияи библиографӣ: Маълумоти муассисаҳо дар сабти веби SSRN бо саҳифаи унвони PDF-и манбаъ пурра яксон нест. Ҳангоми омода кардани ҳувияти мақолаи илмӣ byline-и PDF асос гирифта шуда, фарқи сабти веб хомӯшона иваз карда нашудааст.
Навъи таҳқиқот: Таҳқиқоти муттаҳиди ҳисоббарорӣ, ки ченкунии таҷрибавӣ, ҳисобҳои классикии муҳандисии ҳароратӣ ва омӯзиши мошинии эҳтимолиро муттаҳид мекунад.
Модели физикӣ: Тавозуни энергияи Қонуни Якум, LMTD, коэффисиенти умумии интиқоли гармӣ, модели муқовимати ҳароратӣ, ε–NTU.
Нармафзор: Дар ҳисоби физикӣ Python, NumPy, SciPy ва Pandas; дар BNN TensorFlow ва TensorFlow Probability.
Маблағгузорӣ: Сабти SSRN мегӯяд, ки маблағгузории беруна вуҷуд надорад.
Бархӯрди манфиатҳо: Дар сабти SSRN муаллифон изҳор мекунанд, ки манфиати молиявии рақобаткунандаи маълум ё муносибати шахсӣ вуҷуд надорад.
Этика: Сабти SSRN мегӯяд, ки азбаски маълумоти инсонӣ, ҳайвонотӣ ё клиникӣ вуҷуд надорад, тасдиқи ахлоқӣ татбиқшаванда нест.
Ҳадди такрорпазирӣ: Геометрияи табдилдиҳандаи гармӣ, масоҳати самаранок, маводи қубур, моеъҳои корӣ, дақиқии сенсорҳо ва flowmeter-ҳо, шумораи намунаҳои маҷмӯаи маълумот ва протоколи муфассали таҷрибавӣ дар манбаъ дода нашудаанд. Барои BNN низ меъмории пурраи шабака, интихоби prior/likelihood, алгоритми posterior inference ва тақсимоти маълумот гузориш нашудааст.
Ёддошти номуайянӣ: Гарчанде posterior predictive distribution-и Байесӣ математикӣ муайян шудааст, дар натиҷаҳо паҳноии confidence/credible interval ё метрикаҳои calibration гузориш намешаванд.
Ёддошти мутобиқати дохили манбаъ: Figure 2 ва Figure 5 барои самаранокии энергия мутаносибан 37.1% ва 38.2% нишон медиҳанд. Дар тағйирёбандаҳои Q1/Q2 ва тамғаҳои меҳвари Figure 2(c) низ номувофиқии номгузорӣ дар дохили манбаъ вуҷуд дорад.
Ҳуқуқи муаллиф: Сабти SSRN мегӯяд, ки ҳамаи ҳуқуқҳо ҳифз шудаанд ва истифодаи дубора бе иҷозат мумкин нест. Ба ҷойи нусхабардории фигураҳои манбаъ, барои Verianla табдилдиҳандаи гармӣ, модели физикӣ, маълумоти таҷрибавӣ ва ҷараёни BNN бояд бо схемаҳои аслӣ аз нав кашида шаванд.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд