haku: @keyword soodakattila / yhteensä: 9
hakutulos-lista
viite: 5 / 9
« edellinen | seuraava »
Tekijä:Maakala, Viljami
Työn nimi:Multi-objective optimization of recovery boiler dimensions using computational fluid dynamics
Soodakattilan dimensioiden monitavoiteoptimointi laskennallisen virtausmekaniikan avulla
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:xiv + 92 s. + liitt. 6      Kieli:   eng
Koulu/Laitos/Osasto:Sovelletun mekaniikan laitos
Oppiaine:Lentotekniikka   (Kul-34)
Valvoja:Siikonen, Timo
Ohjaaja:Miikkulainen, Pasi
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201306146492
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  4025   | Arkisto
Avainsanat:computational fluid dynamics
error estimation
genetic algorithm
optimization
radial basis function
recovery boiler
geneettinen algoritmi
laskennallinen virtausmekaniikka
optimointi
radiaalikantafunktio
soodakattila
virhetarkastelu
Tiivistelmä (fin): Työn tarkoituksena oli kehittää laskennallista virtausmekaniikkaa (CFD) käyttävä monitavoiteoptimointiohjelma.
Ohjelma yhdistää CFD-mallin geneettisen algorimiin pohjautuvaan optimoijaan sekä radiaalikantafunktioverkkoa käyttävään oppijaan.

Työkalua käytettiin soodakattilan tulipesägeometrian optimointiin kahdella lähestymistavalla: kytkemättömällä sekä kytketyllä menetelmällä.
Ennen tehtävän ratkaisemista CFD-mallille suoritettiin virhetarkastelu ja CFD-optimointiohjelma verifioitiin.

Virhetarkastelussa havaittiin simuloinneissa merkittäviä iteraatiovirheitä.
Diskretointivirheitä tutkittiin hilakonvergenssi-indeksin avulla, mutta iteraatiovirheet hankaloittivat tulosten tulkintaa.
Ohjelma verifioitiin testiongelmissa, ja menetelmän havaittiin toimivan halutusti.
Molemmat optimointilähestymistavat löysivät useita geometrioita, joilla kattilan suorituskyky paranee alkuperäiseen geometriaan verrattuna.
Kytketty menetelmä on luotettavampi, koska se tekee useita CFD-laskentoja lopullisten ratkaisujen läheisyydessä.

Tutkimusta tulisi tehdä iteraatiovirheiden pienentämiseksi soodakattiloiden mallinnuksessa.
Lisäksi olisi hyödyllistä kehittää CFD-optimointia eteenpäin ja käyttää sitä muissakin sovelluksissa.
Kehittämisalueita ovat esimerkiksi preferenssien parempi integrointi optimointiin sekä hybridimenetelmien käyttö.
Tiivistelmä (eng): The purpose of this work was to develop a multi-objective optimization program based on computational fluid dynamics (CFD).
The program combines a CFD model with a genetic algorithm optimizer and a radial basis function network learner.

The tool was applied to optimizing a furnace geometry of a recovery boiler using two approaches: an uncoupled method and a coupled method.
Before solving the optimization task, a study was done on the CFD model errors and the CFD-optimization program was verified.

Error analyses revealed that the simulations have substantial iteration errors.
Discretization errors were studied using grid convergence index values, but iteration errors made their interpretation difficult.
The program was verified in test problems and the proposed methodology was concluded to work as intended.
Both optimization approaches found several geometries that deliver better performance than the original boiler design.
The coupled method is more reliable, because it performs numerous CFD evaluations near the final solutions.

Future research should be done to reduce iteration errors when modeling recovery boilers.
It would also be useful to develop the CFD-optimization methodology further and to use it in different applications.
Areas for development include improved integration of preferences into the optimization and usage of hybrid optimization methods.
ED:2013-05-16
INSSI tietueen numero: 46146
+ lisää koriin
« edellinen | seuraava »
INSSI