小型天然气液化流程及板翅式换热器结构优化方案【附仿真】

✨ 长期致力于天然气液化、优化、板翅式换热器、锯齿形翅片、数值模拟、遗传算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于GERG-2008物性包的CO2预冷单级N2膨胀流程优化针对边际天然气回收设计一种CO2预冷单级N2膨胀液化流程并采用遗传算法与Aspen HYSYS-MATLAB混合平台进行参数优化。流程包括CO2预冷循环蒸发温度-40℃冷凝压力2.5MPa和N2膨胀循环入口压力5MPa膨胀至0.3MPa温度-162℃。利用ActiveX控件实现MATLAB调用HYSYS以GERG-2008方程计算天然气组成为CH4 92%C2H6 5%C3H8 2%N2 1%的物性。单目标优化函数设为比功耗kWh/kg LNG约束条件为液化率不低于95%。遗传算法采用二进制编码种群大小80交叉概率0.85变异概率0.01迭代100代。优化后最优解为CO2预冷温度-38℃N2膨胀前温度-110℃比功耗0.32 kWh/kg LNG液化率96.2%。与初始设计值0.41 kWh/kg LNG相比降低22%。多目标优化同时最小化比功耗和最大化液化率采用NSGA-II得到Pareto前沿选择折中点比功耗0.34 kWh/kg LNG液化率97.5%。经济性分析显示多目标优化方案的年总成本比单目标优化低8.3%。该流程结构简单避免了碳氢制冷剂的风险适合海上或边远气田应用。2国产锯齿形翅片流动传热关系式推导及数值模拟验证针对国内板翅式换热器常用的锯齿形翅片翅片高度9.5mm间距2.5mm厚度0.3mm锯齿长度6mm基于Fluent数值模拟建立改进的j因子和f因子关联式。采用SST k-ω模型适用于Re500~8000几何模型周期长度6mm边界条件为速度入口和压力出口。共模拟240个工况点Re从300到10000Pr从0.7到5拟合得到的j因子关系式为 j 0.423 * Re^{-0.42} * (p/h)^{-0.21} * (s/h)^{-0.13}f因子关系式为 f 1.83 * Re^{-0.28} * (p/h)^{-0.15} * (s/h)^{-0.08}其中p为翅距h为翅高s为锯齿长。该关系式对模拟数据的平均相对偏差j因子9.8%f因子7.2%。与ManglikBergles关联式相比新关系式在低Re区域Re1000的预测精度提高约15%。将新关系式用于甲烷采用REFPROP获取物性在板翅式换热器中的性能预测计算得到的压降与实验值误差小于12%传热系数误差小于10%。基于该关系式设计一个用于天然气预冷的板翅式换热器热负荷500kW有效度达到0.88比经验公式设计提高0.05。3基于遗传算法的板翅式换热器多目标结构优化以年总成本和热力学有效度为目标采用遗传算法对板翅式换热器的翅片类型、层数、通道排列进行优化。决策变量包括热通道数5-15、冷通道数5-15、翅片高度6-12mm、翅片间距1.5-3mm和翅片类型锯齿形/波纹形/打孔形。约束条件为压降小于20kPa。采用NSGA-II算法种群大小100进化200代。年总成本模型包括投资成本材料、制造和运行成本压降导致的额外功耗。优化结果得到Pareto前沿当有效度从0.85提升到0.92时年总成本从28万元增加到35万元。选取折中方案热通道11层冷通道12层锯齿形翅片高度8.5mm间距2.2mm有效度0.89年总成本30.2万元。与传统试凑法设计的换热器有效度0.84年成本32.5万元相比有效度提高5.9%成本降低7.1%。将优化后的板翅式换热器集成到CO2预冷N2膨胀流程中整体液化系统的比功耗进一步降低至0.31 kWh/kg LNG验证了结构优化的有效性。import numpy as np import matplotlib.pyplot as plt from scipy.optimize import differential_evolution # 遗传算法用于板翅式换热器结构优化简化版 def platefin_objective(x): # x: [热通道数, 冷通道数, 翅片高mm, 翅片间距mm, 翅片类型编码] N_h, N_c, h_fin, p_fin, type_code int(x[0]), int(x[1]), x[2], x[3], int(x[4]) # 约束 if N_h 5 or N_h 15 or N_c 5 or N_c 15 or h_fin 6 or h_fin 12 or p_fin 1.5 or p_fin 3: return [1e6, 1e6] # 惩罚 # 估算有效度简化模型 area N_h * 0.5 * 0.2 # 面积m2 UA area * 150 * (h_fin/8.5)**0.6 * (p_fin/2.2)**(-0.3) C_min 500 # 最小热容流率W/K NTU UA / C_min effectiveness NTU / (1 NTU) # 年成本估算 capital_cost 15e4 1e4 * (N_h N_c) 500 * h_fin 200 * p_fin operating_cost 2e4 * (1 - effectiveness)**2 # 压降惩罚 total_cost capital_cost operating_cost # 双目标最小化负有效度和年成本 return [-effectiveness, total_cost] def nsga2_platefin(pop_size50, n_gen30): # 简化的NSGA-II框架 lb [5, 5, 6, 1.5, 0] ub [15, 15, 12, 3, 2] dim 5 pop np.random.rand(pop_size, dim) * (np.array(ub) - np.array(lb)) np.array(lb) pop[:,0] np.round(pop[:,0]); pop[:,1] np.round(pop[:,1]); pop[:,4] np.round(pop[:,4]) for _ in range(n_gen): objs np.array([platefin_objective(ind) for ind in pop]) # 非支配排序简化按第一个目标排序 sorted_idx np.argsort(objs[:,0]) pop pop[sorted_idx[:pop_size]] # 产生子代交叉变异 offspring pop.copy() for i in range(len(offspring)): if np.random.rand() 0.8: j np.random.randint(len(pop)) offspring[i] 0.5 * (pop[i] pop[j]) offspring[i] 0.1 * np.random.randn(dim) offspring[i] np.clip(offspring[i], lb, ub) offspring[i,0] np.round(offspring[i,0]); offspring[i,1] np.round(offspring[i,1]); offspring[i,4] np.round(offspring[i,4]) pop np.vstack([pop, offspring]) objs_final np.array([platefin_objective(ind) for ind in pop]) return pop, objs_final # 运行优化 pop_opt, objs_opt nsga2_platefin(pop_size30, n_gen20) best_idx np.argmax(objs_opt[:,0]) # 最高有效度 print(f最优有效度: {-objs_opt[best_idx,0]:.3f}, 成本: {objs_opt[best_idx,1]:.0f}) print(f参数: {pop_opt[best_idx]})