Nasze serwisy używają informacji zapisanych w plikach cookies. Korzystając z serwisu wyrażasz zgodę na używanie plików cookies zgodnie z aktualnymi ustawieniami przeglądarki, które możesz zmienić w dowolnej chwili. Więcej informacji odnośnie plików cookies.

Obowiązek informacyjny wynikający z Ustawy z dnia 16 listopada 2012 r. o zmianie ustawy – Prawo telekomunikacyjne oraz niektórych innych ustaw.

Wyłącz komunikat

 
 

Logowanie

Logowanie za pomocą Centralnej Usługi Uwierzytelniania PRz. Po zakończeniu pracy nie zapomnij zamknąć przeglądarki.

Mechanika

Mechanika
88 (1/16), DOI: 10.7862/rm.2016.2

Zastosowanie algorytmów inteligencji obliczeniowej do wyznaczania właściwości cieplnych materiałów

Rafał GAŁEK

DOI: 10.7862/rm.2016.2

Streszczenie

W artykule przedstawiono zasadę pomiaru współczynnika przewodzenia ciepła k oraz dyfuzyjności cieplnej a w stanie periodycznie ustalonym (quasi-ustalonym) z zastosowaniem optymalizacji wykorzystującej algorytm inteligencji obliczeniowej do rozwiązania zagadnienia odwrotnego. Prowadzenie pomiarów w stanie periodycznie ustalonym będącym szczególnym przypadkiem stanu nieustalonego pozwala na uwzględnienie zjawisk akumulacji ciepła, a przy tym umożliwia opis przebiegu czasowego wartości temperatury przy użyciu tylko dwóch wielkości: amplitudy TA i kąta przesunięcia fazowego φT oscylacji sygnału temperaturowego. Analiza jednowymiarowego przypadku przewodzenia ciepła w tym stanie posłużyła do wyznaczenia zależności pomiędzy TA oraz φT, a szukanymi wartościami właściwości cieplnych materiału k i a. Procedura okazała się odpowiednia do dokładnego odtworzenia wartości przewodności i dyfuzyjności cieplnej w perspektywie nieprzekraczającej 100 generacji działania algorytmu genetycznego przy populacji liczącej 50 osobników. Zaproponowana metoda charakteryzuje się prostą konfiguracją eksperymentalną oraz stosunkowo niską wrażliwością wielkości mierzonych bezpośrednio na błędy systematyczne, jednak dopiero weryfikacja eksperymentalna pozwoli ocenić jej praktyczną przydatność.

Pełny tekst (pdf)

Literatura

  1. Parker J., Jenkins R.J., Butler C.P., Abbott G.L.: Flash method of determining thermal diffusivity, heat capacity, and thermal conductivity, J. Appl. Physics, 32 (1961) 1679-1684.
  2. Vozár L., Hohenauer W.: Flash method of measuring the thermal diffusivity. A review, High Temp. - High Pressures, 35/36 (2004) 253-264.
  3. Gustafsson S.E., Karawacki E., Khan M.N.: Transient hot-strip method for simulta­neously measuring thermal conductivity and thermal diffusivity of solids and fluids, J. Physics D: Appl. Physics, 12 (1979) 1411-1421.
  4. Gustafsson S.E.: Transient plane source techniques for thermal conductivity and thermal diffusivity measurements of solid materials, Rev. Sci. Instru­ments, 62 (1991) 797-804.
  5. Krupa P., Malinarič S.: Using the Transient plane source method for measuring thermal parameters of electroceramics, Int. J. Math., Comput., Statistical, Natural Phys. Eng., 8 (2014) 733-738.
  6. ISO 22007-2:2015, Plastics - Determination of thermal conductivity and thermal diffusivity - Part 2: Transient plane heat source (hot disc) method.
  7. Hisano K., Sawai S., Morimoto K.: Conventional simultaneous measurement of specific heat capacity and thermal conductivity by thermal radiation calori­metry, Int. J. Thermophysics, 19 (1998) 291-304.
  8. Reading M., Hourston D.J.: Modulated temperature differential scanning calori­metry. Theoretical and practical applications in polymer characterisation, Springer, Dordrecht, 2006.
  9. Marcus S.M., Blaine R.L.: Thermal conductivity of polymers, glasses and ceram­ics by modulated DSC, Thermochimica Acta, 243 (1994) 231-239.
  10. Raudenský M., Horský J., Krejsa J., Slama L.: Usage of artificial intelligence methods on inverse problems for estimation of material parameters, Int. J. Numerical Meth. Heat Fluid Flow, 6 (1996) 19-29.
  11. Liu G.R., Lee J.H., Patera A.T., Yang Z.L., Lam K.Y.: Inverse identification of thermal parameters using reduced-basis method, Comp. Meth. Appl. Mech. Eng., 194 (2005) 3090-3107.
  12. Vakili S., Gadala M.S.: Effectiveness and efficiency of particle swarm optimiza­tion technique in inverse heat conduction analysis, Num. Heat Transfer, Part B: Fundamentals, 56 (2009) 119-141.
  13. Bai D.: Evaluation system for effective thermophysical properties of anisotropic composite material, Aerospace Sci. Technol., 30 (2013) 94-101.
  14. Adili A., Lachheb M., Kerkeni C., Ben Nasrallah S.: Simultaneous estimation of the thermophysical properties of liquids and of the boundary conditions, Int. J. Thermal Sci., 68 (2013) 53-62.
  15. Gosselin L., Tye-Gingras M., Mathieu-Potvin F.: Review of utilization of genetic algorithms in heat transfer problems, Int. J. Heat Mass Transfer, 52 (2009) 2169-2188.
  16. Garcia S., Guynn J., Scott E.P.: Use of genetic algorithms in thermal property estimation: Part II - Simultaneous estimation of thermal properties, Num. Heat Transfer, Part A: Applications, 33 (1998) 149-168.
  17. Divo E., Kassab A., Rodriguez F.: Characterization of space dependent thermal conductivity with a BEM-based genetic algorithm, Num. Heat Transfer, Part A: Applications, 37 (2000) 845-875.
  18. Jones M.R., Tezuka A., Yamada Y.: Thermal tomographic detection of inhomogene­ities, J. Heat Transfer, 117 (1995) 969-975.
  19. He H., He C., Chen G.: Inverse determination of temperature-dependent thermo­physical parameters using multi objective optimization methods, Int. J. Heat Mass Transfer, 85 (2015) 694-702.
  20. Raudenský M., Woodbury K.A., Kral J., Brezina T.: Genetic algorithm in solution of inverse heat conduction problems, Num. Heat Transfer, Part B: Funda­mentals, 28 (1995) 293-306.
  21. Vasileiou A., Vosniakos G-C., Pantelis D.: Determination of local heat transfer coefficients in precision castings by genetic optimisation aided by numerical si­mulation, Proc. Inst. Mech. Eng., Part C: J. Mech. Eng. Sci., 229 (2014) 735-750.
  22. Vakili S., Gadala M.S.: Low cost surrogate model based evolutionary optimization solvers for inverse heat conduction problem, Int. J. Heat Mass Transfer, 56 (2013) 263-273.
  23. Liu F-B.: An application of particle swarm optimization to identify the tempera­ture-dependent heat capacity, Heat Mass Transfer, 48 (2012) 99-107.
  24. Liu F-B.: Inverse estimation of wall heat flux by using particle swarm optimiza­tion algorithm with Gaussian mutation, Int. J. Thermal Sci., 54 (2012) 62-69.
  25. Wandelt M., Roetzel W.: Lockin thermography as a measurement technique in heat transfer, QIRT 96 - Eurotherm Series 50 - Edizioni ETS, Pisa, 1997.
  26. Zheng G.R., Yang S.C.: Solution of steady periodic heat conduction by the finite-element method, Num. Heat Transfer, Part A: Applications: Int. J. of Comp. Methodology, 15 (1989) 525-534.
  27. Gołębiowski W.: https://lavag.org/files/file/94-waptia-genetic-optimization-algorithm/ [dostęp: 17 sierpnia 2015 r.].
  28. Charbonneau P.: Genetic algorithms in astronomy and astrophysics, The Astro­physical J. (Supplements), 101 (1995) 309-334.

Podsumowanie

TYTUŁ:
Zastosowanie algorytmów inteligencji obliczeniowej do wyznaczania właściwości cieplnych materiałów

AUTORZY:
Rafał GAŁEK

AFILIACJE AUTORÓW:
Politechnika Rzeszowska

WYDAWNICTWO:
Mechanika
88 (1/16)

SŁOWA KLUCZOWE:
pomiary cieplne, przewodność cieplna, dyfuzyjność cieplna, optymalizacja, algorytm genetyczny, stan periodycznie ustalony

PEŁNY TEKST:
http://doi.prz.edu.pl/pl/pdf/mechanika/166

DOI:
10.7862/rm.2016.2

URL:
http://dx.doi.org/10.7862/rm.2016.2

DATA WPŁYNIĘCIA DO REDAKCJI:
2015-10-19

DATA PRZYJĘCIA DO DRUKU:
2016-03-21

PRAWA AUTORSKIE:
Oficyna Wydawnicza Politechniki Rzeszowskiej, al. Powstańców Warszawy 12, 35-959 Rzeszów

POLITECHNIKA RZESZOWSKA im. Ignacego Łukasiewicza; al. Powstańców Warszawy 12, 35-959 Rzeszów
tel.: +48 17 865 11 00, fax.: +48 17 854 12 60
Administrator serwisu:

Deklaracja dostępności | Polityka prywatności