狗万取现更多方式,狗万大网,狗万官网网址

通过模拟探索混合的奥秘

数值混合器优化是一种商业工具,可带来利润和显着的竞争优势

示踪剂间方法(类似于广泛使用的实验技术)显示局部浓度随时间的定量变化。
Inter Tracer方法(类似于广泛使用的

实验技术)显示定量变化
局部浓度随时间的变化。

编者注。 内容由CD-adpaco提供,然后于2016年被西门子收购。

混合是通过混合将一组不同的成分转变为同质产品的技术,它在许多化学,制药以及食品和饮料过程中都发挥着至关重要的作用。 混合产品是日常生活各个方面的一部分。 想象一下,没有他们,我们的生活将多么贫穷。 甚至更糟的是,如果事情不混在一起怎么办?

许多食品,大多数个人护理产品以及各种聚合物,矿物质,油漆,涂料,生物燃料和其他化学产品的混合都是至关重要的生产步骤。

混合质量的控制对于提供所需重量/体积的均匀混合物,具有一致的粒度分布,颜色,质地,反应性或任何其他所需的属性,以及避免与不良混合相关的高昂代价至关重要。

除了消除操作缺陷外,当今的公司还不断推动产品和工艺的改进,因此制定以最小的投资来加快混合时间和提高混合质量的战略就变得至关重要。

实际上,利用当今的仿真和优化软件,无需采取常规,耗时且昂贵的反复试验物理实验的路线来实现最佳设计。 相反,工程师一旦确定了相关参数,便会快速模拟数百个设计点,以识别出可提高系统效率并提供竞争优势的设计。

搅拌罐研究

以通用搅拌釜反应器的应用为例。 设计目标包括最短的混合时间,最大的混合质量和最小的功耗。 为了达到这个目标,可能需要改进机械,电气和化学组件。

机械设计参数除其他外包括叶轮配置,容器尺寸,容器类型和挡板数量。 这里的一个核心问题是,设计参数的变化与相对于设计目标的性能变化之间存在非线性关系。 这会使优化性能成为一项耗时且繁琐的工作。 在实验室规模对系统修改进行原型设计然后再移至生产能力将是昂贵且费时的。
这是数值设计优化增加价值的地方,因为它可以在构建物理原型之前,在生成最佳搅拌反应器时进行自主,细微的设计改进。 数值混频器优化是一种商业工具,可通过提供更高质量的产品来带来利润和显着的竞争优势。

在过程优化中,改善一个参数可能会降低另一个参数,因此就没有单一的“最佳”设计。 例如,如果目标是最大程度地减少混合时间和功耗,那么任何设计都无法为这两个目标提供最佳价值。 同样,一天结束时,仅通过增加功耗即可改善混合时间。

在这种情况下,所谓的“非支配排序算法”可以找到针对一个相对物镜给定值的最佳物镜设计。 帕累托优化研究的结果是满足该条件的一组设计,这也称为“非支配设计条件”。

在此示例研究中,确定了搅拌釜设计的一系列调整参数和两个竞争目标:

  1. 功率数与混合时间
  2. 叶轮力矩与混合质量

主要目标是在每种情况下的竞争目标之间找到最佳权衡。 在这方面,使用一组帕累托最优设计MO-SHERPA进行了多目标混合研究。 在投入数值方法之前,我们首先确定混合标准如下。

混合标准

混合时间是达到预定水平的混合物均匀性所需的时间。 从时间和质量两方面来确定量化混合性能的最佳方法可能很困难。 几种实验方法可评估混合质量,包括脱色,电导率和pH测量。 但是,仍然存在一些不确定性,因为它们是基于将示踪剂注入混合物中,然后通过目测或使用位置不同的探针测量其浓度。

例如,获得90%均质性所需的混合时间是示踪剂浓度的波动小于理想混合所需浓度的10%所需的时间。 但是,研究表明,该值会受到探针大小或示踪剂注入位置的显着影响。

另外,这些方法仅指示在有限数量的探针位置处的混合质量,因此需要更多数量的采样点以获得更准确的图像,这是繁琐,耗时且昂贵的。

图1b

1b。 相对标准偏差法。

使用数字技术可以解决这些缺点,最好的方法是对数字域内每个单元的混合质量进行统计分析。

求解器软件

在这方面,西门子STAR-CCM +定义了各种所需的数学公式,用于通过现场功能测量混合质量。 它还允许我们定义均匀性阈值,以在混合周期内可视化不良混合区域。

我们将STAR-CMM +视为一个计算流体动力学(CFD)求解器。 它可以是解决涉及流体或固体流动,传热和应力的问题的整个工程过程。

可以用来评估混合质量的一种数值技术是相对标准偏差(RSD)方法,该方法是示踪剂质量分数在整个范围内的标准偏差与其相对应的平均浓度之比。

RSD可以表示如下:

图2A

2a。 在Star-CCM +中创建的混合槽几何形状。

其中Ci是第i个单元格中示踪剂的质量分数,C是整个域中示踪剂的质量分数的体积平均值,n是细胞数。 良好的混合对应于较低的RSD值。

图1显示了类似传统实验技术的惰性示踪剂方法(1A)与RSD方法(1B)的比较,两者均使用STAR-CCM +。 可以看出,实验方法跟踪了局部浓度随时间变化的定量变化,而RSD保证了整个区域内混合的质量。 因此,RSD可以解决空间偏差的实验方法的问题。 这是CFD与实验相比的重要优势之一。

在这项研究中,使用RSD方法对混合质量进行了量化,并且将混合时间定义为达到RSD值0.3所需的时间,该值不表示理想的混合,而是用作“良好”混合的常用值。 如果需要,过程工程师可以选择更严格的标准。

使用3D-CAD建模器在STAR-CCM +中开发了参数混合罐的几何形状(图2A)。 混合液体被作为被动标量进行跟踪,该标量最初位于水箱底部(图2B)。 使用移动参考系(MRF)方法进行了瞬态仿真。 在此,讨论了以下竞争性能目标:1)功率数与混合时间,以及2)叶轮力矩与混合质量。

图2B

2b。 通过字段功能识别的示踪剂的初始条件。

功率数与混合时间

该软件的计算机辅助设计(CAD)建模功能可用于将任何设计特征定义为参数变量,然后可将其用作优化的输入变量。 在这项研究中,选择了七个设计变量进行优化:

  • 叶轮数(2/4/3)
  • 每个叶轮的叶片数(3/9/7)
  • 叶轮叶片角度(0/45/16)
  • 叶轮叶片高度(0.01 / 0.06 / 11)
  • 叶轮半径分数(0.2 / 0.5 / 21)
  • 挡板数量(2/6/5)
  • 挡板高度分数(0.6 / 1/21)

(a / b / c)格式的三个数字显示起点,增加参数的分割数和终点。 除了分割数之外,优化软件应用程序“ Optimate”还允许选择指定增量。

例如,叶轮数量的增量为1(最小= 2,最大= 4,增量= 1)。

两种方法都定义了可以在Optimate中微调变量的范围。 在这项研究中,该数字对应于总共8,149,680个变化。 手动覆盖此设计空间几乎是不可能的。 Optimate无需运行超过800万个设计点,而是使用Sherpa优化算法,该算法可以将评估次数减少到每个设计变量的省时运行次数。

该算法可以不断学习,并且可以修改其策略以最有效地搜索设计空间,从而显着减少运行次数,同时产生更好的答案。 在本例中,只花了几天时间搜索设计空间,并完成了数百次评估。 第一组优化目标定义如下:

  • 最小功率数
  • 减少混合时间
图3

图3. Pareto前面的结果(红色点)显示了优化器将设计逼到最佳角的设计。

优化产生的结果集称为Pareto前沿。 在图3中,靠近帕累托前端的点的聚类说明了优化器如何将设计逼向最佳角,该角对应于混合时间和功率数的较低值。 该曲线图回答了诸如“特定混合时间的最小可能功率数是多少?”之类的问题。 或“对于指定的功率数字,最小可能的混合时间是多少?” 这些问题的答案在搅拌行业可能价值数百万美元。

图4显示了CAD设计,示踪剂的质量分数和RSD时间图的示例,该图由Optimate为设计点之一计算得出。

图4

图4.帕累托设计前沿之一的速度场,示踪剂质量分数,CAD几何形状和相对标准偏差与时间的关系。

叶轮力矩与混合质量

为了研究此目标,考虑了以下参数:

  • 叶轮数(1/5/5)
  • 叶轮叶片角度(0/90/19)
  • 挡板数量(0/9/10)
  • 挡板高度(0.005 m / 0.012 m / 15)

应当指出,根据目标,可以指定不同的变量。 优化目标如下:

  • 最大化体积平均湍动能(TKE)
  • 最小化叶轮组件上的力矩
图5

图5.从叶轮装配时刻起的帕累托前部相对于平均体积的TKE。

帕累托前部(图5)显示了在叶轮组件上给定力矩下达到最大体积平均TKE的设计。

最后的话

搅拌罐设计工程师渴望达到最高混合效率,这受竞争目标的影响,例如混合时间与功率消耗之间的关系,或叶轮组件上的力矩与湍流动能之间的关系。 由于这些目标很大程度上取决于水箱和叶轮的几何形状,因此多目标参数研究可以确定最佳的总体设计。

SHERPA是Optimate插件提供的一种基于混合算法的鲁棒优化方法,可在短时间内研究大型设计空间。 在根据实验数据验证基线仿真之后,执行优化研究可为一组预定的运行条件提供最佳设计。

CD-adapco是专注于计算机流体动力学(CFD)的工程软件,支持和服务的提供商,其中包括CFD和有限元分析(包括本文中讨论的技术)中的计算机辅助工程服务。 该文章于2016年发表后被西门子收购。有关更多信息,请访问

更多混合,混合和减小尺寸