Intensificação da transferência de calor e otimização de trocadores de calor compactos tipo venezianas com geradores de vórtices tipo delta-winglets.

Esta pesquisa visa a análise da contribuição de cinco variáveis de entrada e a otimização do desempenho termo-hidráulico de trocadores de calor com venezianas combinados com geradores de vórtices delta-winglets. O desempenho termohidráulico de duas geometrias distintas, aqui nomeadas por GEO1 e GEO2, foram avaliadas. Smoothing Spline ANOVA foi usado para avaliar a contribuição dos parâmetros de entrada na transferência de calor e perda de carga. Considerando aplicação automotiva, foram investigados números de Reynolds iguais a 120 e 240, baseados no diâmetro hidráulico. Os resultados indicaram que o ângulo de venezianas é o maior contribuidor para o aumento do fator de atrito para GEO1 e GEO2, para ambos os números de Reynolds. Para o número de Reynolds menor, o parâmetro mais importante em termos de transferência de calor foi o ângulo das venezianas para ambas as geometrias. Para o número de Reynolds maior, o ângulo de ataque dos geradores de vórtices posicionados na primeira fileira é o maior contribuidor para a tranfesferência de calor, no caso da geometria GEO1, enquanto que o ângulo de ataque dos geradores de vórtices na primeira fileira foi tão importante quanto os ângulos das venezianas para a geometria GEO2. Embora as geometrias analisadas possam ser consideradas como técnicas compostas de intensificação da transferência de calor, não foram observadas interações relevantes entre ângulo de venezianas e parâmetros dos geradores de vórtices. O processo de otimização usa NSGA-II (Non-Dominated Sorting Genetic Algorithm) combinado com redes neurais artificiais. Os resultados mostraram que a adição dos geradores de vórtices em GEO1 aumentaram a transferência de calor em 21% e 23% com aumentos na perda de carga iguais a 24,66% e 36,67% para o menor e maior números de Reynolds, respectivamente. Para GEO2, a transferência de calor aumentou 13% e 15% com aumento na perda de carga de 20,33% e 23,70%, para o menor e maior número de Reynolds, respectivamente. As soluções otimizadas para o fator de Colburn mostraram que a transferência de calor atrás da primeira e da segunda fileiras de geradores de vórtices tem a mesma ordem de magnitude para ambos os números de Reynolds. Os padrões de escoamento e as características de transferência de calor das soluções otimizadas apresentaram comportamentos vi particulares, diferentemente daqueles encontrados quando as duas técnicas de intensificação de transferência de calor são aplicadas separadamente.

This doctoral thesis focuses on screening analysis of five input parameters and heat transfer and pressure drop optimization of flat-tube multi-louvered fin heat exchangers combined with delta-winglet vortex generators. The thermal-hydraulic performance of two distinct geometries, GEO1 and GEO2, were evaluated. Smoothing Spline ANOVA was used to evaluate the contribution of the input parameters such as louver angle, angle of attack of the delta-winglet and streamwise position of the delta-winglet on heat transfer and pressure drop. Taking the automotive application into account, Reynolds numbers of 120 and 240, based on hydraulic diameter, were investigated. The results indicated that the louver angle is the main contributor to increase the Friction factor for GEO1 and GEO2 for both Reynolds numbers. For the lower Reynolds number, the most important heat transfer parameter was the louver angle for both geometries, while at the higher Reynolds number, the angles of attack of the first row of delta-winglets mostly contributed to GEO1, and the angle of attack of the first row of delta-winglets was as important as the louver angle for GEO2. Although those specific geometries can be considered a kind of compound enhancement technique, relevant interactions were not verified between louvers and delta-winglet vortex generators parameters. The surrogatebased optimization procedure uses NSGA-II method (Non-Dominated Sorting Genetic Algorithm) combined with artificial neural networks. The results showed that the addition of DWLs on GEO1 increased the heat transfer of 21.27% and 23.52% with associated pressure loss increasing of 24.66% and 36.67% for the lower and the higher Reynolds numbers, respectively. For GEO2, the heat transfer was increased 13.48% and 15.67% with an increase of the pressure drop of 20.33% and 23.70%, for the lower and the higher Reynolds numbers, respectively. The optimized solutions for the Colburn factor showed that heat transfer behind the second row of deltawinglets has the same order of magnitude of that behind the first row, for both Reynolds numbers. The flow patterns and heat transfer characteristics from optimized solutions presented some particular behavior, differently from the findings when those two heat transfer enhancement techniques are applied separately.