선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 본 연구에서는 루버휜 성능을 향상시키기 위해 루버휜의 형상을 최적화 한 후, 최적 모델과 기존 모델의 열 및 유동 특성을 비교한다. 루버휜을 최적화하기 위해 설계 인자를 선정한 후, 선정한 인자들이 루버휜의 성능에 미치는 영향을 조사한다.
- 본 절에서는 최적 형상의 루버휜과 기존 루버휜과의 비교를 통해 최적 형상의 개선점을 알아보았다. Fig.
가설 설정
- (1) 유체의 흐름은 2차원 정상상태, 비압축성 난류 유동이다.
- (2) 작동 유체는 공기이며 물성치는 일정하다.
제안 방법
- (1)는 Taguchi 방법을 이용하여 corrugated louvered fin의 인자 영향을 수치적으로 연구하였다. Hsieh and Jang(2)은 louvered fin-round tube를 수치해석과 Taguchi 법을 이용하여 최적화 하였다.
- Ameel et al.(3)는 VG-1 기법을 이용하여 X-shaped louvered fin and tube 열교환기를 최적화 하였으며, Reynolds 수의 영향도 조사하였다. 그러나 위의 연구들은 루버휜 열교환기를 최적화하여 성능 분석만을 하였을 뿐, 기존 모델과 최적 모델의 열 유동 분석을 통해 개선 사항을 알아내지 않았다.
- 루버휜 주위의 유동에서 3차원 유동의 유무를 판정하기 위해 정상상태 2-D model과 정상상태 3-D model의 결과를 비교하였으며, 결과는 정상상태 3-D model이 2%의 오차로 좋게 나타났다. 그러나 2-D model의 오차 또한 4%로 작게 발생 하였으며, 계산시간이 3-D model에 비해 1/20로 짧기 때문에 계산 효율을 위해 본 연구는 2-D model로 진행 하였다. 또한, 유동의 진동 여부를 확인하기 위해 2-D 비정상 해석을 진행한 결과 JF수는 Table 2와 같으며, 유체의 진동은 나타나지 않았다.
- 그러나 fin thickness와 redirection louver length는 인자 수준에 따른 JF값 변동이 미약하다. 따라서 최적화를 진행하기 위해 영향이 큰 fin pitch, number of louver, louver angle의 설계 인자를 택하였다.
- 수치 해석을 통해 루버휜의 설계인자가 성능에 미치는 영향을 조사하였으며, 성능의 판단은 JF 수를 이용하였다. 또한, 실험계획법과 최적화 기법을 이용하여 루버휜의 형상을 최적화 하였다.
- 인자 영향도 조사를 통해 루버휜 성능에 영향이 큰 인자로 실험계획법을 진행하며, 근사 모델과 최적화 기법을 이용하여 최적의 루버휜 형상을 제시한다. 또한, 입구 유속을 변화하며 최적의 루버휜 형상과 기존 루버휜의 열 및 유동 특성을 비교하여 개선점을 알아본다.
- 루버휜의 설계 인자를 변화하여 루버휜의 성능 변화를 분석한 후, 최적화 기법을 통해 최적의 루버휜 형상을 도출 하였다. 또한, 최적 모델과 기존 모델을 비교하여 차이점을 알아보았다.
- 본 연구는 루버휜의 설계 인자가 루버휜의 성능에 미치는 영향을 조사한 후, 최적화 기법을 이용하여 최적의 루버휜을 제안하였다. 또한, 최적의 루버휜과 기존의 루버휜과의 비교를 통해 최적 형상의 개선점을 알아보았다.
- 2는 수치해석 값을 선행연구들(6, 10-12)과 비교한 결과이다. 루버휜으로 향하는 공기의 온도를 21도, 휜의 온도를 45도로 고정 하였으며, ReLp수를 100～500까지 변화하여 루버휜에서 j값과 f값을 비교하였다. Fig.
- 1과 같으며, 그에 따른 치수는 Table 1과 같다. 루버휜은 7단을 적층하였으며, 상부와 하부는 periodic boundary condition을 사용하였다. 루버휜의 설계 인자를 변화하여 루버휜의 성능 변화를 분석한 후, 최적화 기법을 통해 최적의 루버휜 형상을 도출 하였다.
- 따라서 본 연구에서는 루버휜 성능을 향상시키기 위해 루버휜의 형상을 최적화 한 후, 최적 모델과 기존 모델의 열 및 유동 특성을 비교한다. 루버휜을 최적화하기 위해 설계 인자를 선정한 후, 선정한 인자들이 루버휜의 성능에 미치는 영향을 조사한다. 인자 영향도 조사를 통해 루버휜 성능에 영향이 큰 인자로 실험계획법을 진행하며, 근사 모델과 최적화 기법을 이용하여 최적의 루버휜 형상을 제시한다.
- 루버휜은 7단을 적층하였으며, 상부와 하부는 periodic boundary condition을 사용하였다. 루버휜의 설계 인자를 변화하여 루버휜의 성능 변화를 분석한 후, 최적화 기법을 통해 최적의 루버휜 형상을 도출 하였다. 또한, 최적 모델과 기존 모델을 비교하여 차이점을 알아보았다.
- 루버휜의 형상 최적화를 진행하기 위해 루버휜 설계인자의 영향도를 조사하였다. 본 연구에서 인자 영향도를 분석하기 위해 택한 설계 인자는 fin pitch, number of louver, louver angle, fin thickness 및 re-direction louver length이다.
- 본 연구는 루버휜의 설계 인자가 루버휜의 성능에 미치는 영향을 조사한 후, 최적화 기법을 이용하여 최적의 루버휜을 제안하였다. 또한, 최적의 루버휜과 기존의 루버휜과의 비교를 통해 최적 형상의 개선점을 알아보았다.
- 루버휜의 형상 최적화를 진행하기 위해 루버휜 설계인자의 영향도를 조사하였다. 본 연구에서 인자 영향도를 분석하기 위해 택한 설계 인자는 fin pitch, number of louver, louver angle, fin thickness 및 re-direction louver length이다. Table 2에서 2차원 모델과 3차원 모델의 JF수 오차가 작기 때문에 루버휜의 설계인자 중 3차원 형상에서 표현되는 tube pitch, louver height, louver length 및 tube depth는 설계인자에서 제하였다.
- 본 연구에서 택한 설계 인자는 fin pitch, number of louver 및 louver angle 이다. 최적 설계 문제의 목적 함수는 JF수를 사용하였으며, 설계 인자의 상한과 하한은 일반적으로 통용되는 루버휜 설계 범위 내에서 정하였다.
- 본 연구에서는 3인자 3수준의 full factorial design (FFD)을 통해 실험계획을 수립한 후, Kriging 기법(13)을 이용하여 최적화를 위한 근사모델을 수립하였다. 최적화는 micro genetic algorithm(MGA)(14)를 이용하여 최적화 하였으며, Kriging 기법과 MGA는 상용 process integration and design optimization(PIDO) tool인 PIAnO (Process Integration, Automation and Optimization)(15)을 이용하였다.
- 선정한 난류모델의 타당성을 검증하기 위해 Re = 250에서 입구온도 21도, 휜의 온도를 45도로 고정한후 선행연구(6)와 각각의 난류모델의 JF수를 비교하였다. 결과는 Table 2와 같으며, 난류모델 중 Realizable k-ε model의 오차가 가장 작다.
- 수치 해석을 통해 루버휜의 설계인자가 성능에 미치는 영향을 조사하였으며, 성능의 판단은 JF 수를 이용하였다. 또한, 실험계획법과 최적화 기법을 이용하여 루버휜의 형상을 최적화 하였다.
- 루버휜을 최적화하기 위해 설계 인자를 선정한 후, 선정한 인자들이 루버휜의 성능에 미치는 영향을 조사한다. 인자 영향도 조사를 통해 루버휜 성능에 영향이 큰 인자로 실험계획법을 진행하며, 근사 모델과 최적화 기법을 이용하여 최적의 루버휜 형상을 제시한다. 또한, 입구 유속을 변화하며 최적의 루버휜 형상과 기존 루버휜의 열 및 유동 특성을 비교하여 개선점을 알아본다.
데이터처리
- 해석 결과의 신뢰성을 제고하기 위해 해석 결과를 선행 연구와 비교하여 검증 하였다. Fig.
이론/모형
- Table 4는 인자 영향도 분석을 통해 택한 설계인자를 3수준의 FFD로 계획한 실험 계획표 및 각 실험 계획의 JF 결과 값이다. Table 4의 결과를 Kriging 기법을 이용해 근사모델을 형성한 후 MGA를 이용하여 최적화 하였다. MGA를 통한 최적 형상은 FP = 17 fpi, # = 20, θ = 20o이다.
- 본 연구에서 루버휜의 성능을 비교하기 위해 Yun and Lee(4)에 의해 정의된 JF를 이용하였다. JF는 무차원 수로 j와 f로 정의 되어 있으며, 루버휜에서 열전달과 압력강하를 동시에 표현한다.
- 을 이용하여 최적화를 위한 근사모델을 수립하였다. 최적화는 micro genetic algorithm(MGA)(14)를 이용하여 최적화 하였으며, Kriging 기법과 MGA는 상용 process integration and design optimization(PIDO) tool인 PIAnO (Process Integration, Automation and Optimization)(15)을 이용하였다. Table 4는 인자 영향도 분석을 통해 택한 설계인자를 3수준의 FFD로 계획한 실험 계획표 및 각 실험 계획의 JF 결과 값이다.
- 해석하고자 하는 유동은 루버휜의 영향이 유동에 지배적이며, 루버휜의 크기와 유체의 유입 속도를 고려하였을 경우 난류 유동이므로 Realizable k-ε 난류모델을 사용하였다.
성능/효과
- (2) MGA를 통해 얻은 최적 루버휜의 설계 인자는 FP = 17 fpi, # = 20, θ = 20o이다.
- (3) 자연대류 및 복사 열전달은 무시한다.
- (3) 최적 루버휜은 기존 루버휜에 비해 JF 값이 16% 향상되었다.
- (4) 최적 루버휜은 기존 루버휜과 비교하였을 때 압력 강하량은 줄어들며, 열전달량은 유지된다.
- 결과는 Table 2와 같으며, 난류모델 중 Realizable k-ε model의 오차가 가장 작다. 루버휜 주위의 유동에서 3차원 유동의 유무를 판정하기 위해 정상상태 2-D model과 정상상태 3-D model의 결과를 비교하였으며, 결과는 정상상태 3-D model이 2%의 오차로 좋게 나타났다. 그러나 2-D model의 오차 또한 4%로 작게 발생 하였으며, 계산시간이 3-D model에 비해 1/20로 짧기 때문에 계산 효율을 위해 본 연구는 2-D model로 진행 하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.