شبیه‏‌سازی و پیش‏‌بینی متغیرهای دینامیکی حباب با استفاده از روش یادگیری دستگاه در فرآیند جوشش ‏در تحلیل گرمایی موتورهای احتراق داخلی

انتقال حرارت عامل مهم و تاثیرگذار در طراحی موتورهای احتراق داخلی است. پیش‌بینی دقیق انتقال حرارت برای طراحی سامانه‌ خنک‏‌کاری موتورهای احتراق داخلی تاثیر بسزایی دارد. لذا شبیه‌ سازی موتورهای احتراق داخلی به‌منظور تحلیل حرارتی آن ‌ها با استفاده از دینامیک سیالات محاسباتی به‌ همراه شبیه‌ سازی جوشش انجام می‌پذیرد. در این مقاله بررسی جریان جوشش زیرخنک‌شده آب خالص در یک آبراه کوچک و وابستگی آن به متغیرهای مختلف مانند فشار کاری شار حرارتی شار جرمی. و دمای زیر سرد سیال ورودی مورد توجه است. شبیه‌سازی‌های عددی با استفاده از الگو‌های متقارن محوری انجام شده و تاثیر اندازه‌های شبکه‌های مختلف بر دقت نتایج مورد بررسی قرار گرفت. قطر جداسازی حباب نیز مطالعه شد و وابستگی آن با فشار شار گرما شار جرمی و دمای زیر خنک‌کننده ورودی تحلیل شد. در نهایت یک پایگاه داده از نتایج شبیه‌سازی تولید شده و الگو‌های پیش‌بینی برای دینامیک حباب با استفاده از روش‌های یادگیری دستگاه ارائه شد.

simulation and prediction of bubble dynamic parameters using machine learning algorithm in boiling process used in thermal analysis of internal combustion engines

heat transfer is an important and influential factor in the design of internal combustion engines. accurate prediction of heat transfer has a great impact on the design of cooling systems of internal combustion engines. the simulation of internal combustion engines for their thermal analysis is done using computational fluid dynamics along with boiling simulation. this article investigates the subcooled boiling flow of pure water in a small channel and its dependence on different parameters such as working pressure, heat flux, and mass flux. the subcooling temperature of the inlet fluid is of interest. numerical simulations were performed using axisymmetric models and the effect of different grid sizes on the accuracy of the results was investigated. the bubble separation diameter was also studied and its relationship with pressure, heat flux, mass flux, and temperature under the inlet coolant was analyzed. finally, a database of generated simulation results and predictive models for bubble dynamics using machine learning algorithms were presented.