Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30276| Título: | Método de otimização de dissipadores de calor aletados utilizando inteligência computacional |
| Título(s) alternativo(s): | Finned heat sink optimization method with the use of computational intelligence |
| Autor(es): | Almeida, Miguel Celano Menezes de Simm, Vinicius Sylvestre |
| Orientador(es): | Alves, Thiago Antonini |
| Palavras-chave: | Calor Controle de temperatura Controle automático Inteligência computacional Heat Temperature control Automatic control Computational intelligence |
| Data do documento: | 29-Jun-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | ALMEIDA, Miguel Celano Menezes de; SIMM, Vinicius Sylvestre. Método de otimização de dissipadores de calor aletados utilizando inteligência computacional. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2022. |
| Resumo: | Com os avanços tecnológicos dos últimos anos, equipamentos eletroeletrônicos se tornaram mais rápidos, incorporaram maiores funcionalidades e seus tamanhos foram reduzidos drasticamente, acarretando no aumento da densidade de potência e no fluxo de calor em seus componentes. Para manter a temperatura de operação desses equipamentos em níveis aceitáveis, sem o comprometimento da segurança e confiabilidade, a utilização de dissipadores de calor aletados é essencial. Neste contexto, realizou-se no presente Trabalho um estudo teórico-numérico de otimização sobre o impacto que variáveis geométricas como altura, espessura e número de aletas planas representam no desempenho térmico de dissipadores de calor aletados utilizados no resfriamento de eletroeletrônicos. Para realizar a análise, uma configuração de um dissipador de calor de aletas planas foi validado junto a dados experimentais disponíveis na literatura e o método Generalized Subset Design (GSD) de Planejamento de Experimentos (DOE - Design of Experiment) foi utilizado na seleção dos cenários simulados, visando a obtenção de um banco de dados com menor custo computacional. Todos esses cenários foram simulados utilizando o programa comercial de Diâmica dos Fluidos Computacional (CFD - Computational Fluid Dynamics) e os resultados foram utilizados para treinar modelos de aprendizado de máquina, desenvolvidos na linguagem de programação aberta Python, com o propósito de estimar os resultados de desempenho térmico dos dissipadores de calor aletados. Os modelos selecionados foram do tipo árvore de decisão, regressão por vetores suporte, perceptron de multiplas camadas e redes neurais desenvolvidas a partir do zero utilizando o Keras. Uma análise teórica de cada variável foi efetuada e seus impactos em cada um dos resultados monitorados foi apresentada de forma gráfica. Foi possível constatar que tanto o número de aletas quanto a espessura dessas possuem valores ótimos, fora dos extremos estabelecidos, apresentando um comportamento não-linear. Os modelos preditivos de aprendizado de máquina foram empregados para detectar os padrões apresentados por cada variável e calcular o efeito desses parâmetros geométricos no desempenho térmico dos dissipadores de calor aletados. |
| Abstract: | With the technological advancement of the latest years, electrical and electronic equipments have become ever faster, incorporating new functions and drastically reducing its size, leading to higher power density and heat flux in its components. To keep the operation temperature of these equipments within acceptable levels, without compromising safety nor realiability, the use of finned heat sinks is essential. Within this context, in this Thesis was realized a theorical numerical optimization analysis on the impact of geometric variables such as the height, width and number of straight fins on the thermal performance of finned heat sinks used in the cooling of electrical and electronic equipment. For this analysis, a setup for a straight fins heat sink was validated with experimental data available in the literature and the Generalized Subset Design (GSD) method of Design of Experiment (DOE) was used in the selection of scenarios to be simulated in order to obtain a data bank with lower computational cost. All these cases were simulated using a commercial Computational Fluid Dynamics (CFD) software, and the results were used in training Machine Learning models, using the open source development language Python, with the purpose of predicting the thermal performance results of finned heat sinks. The models chosen were the decision tree and support vector regressors, multilayer perceptron and neural network developed from the ground up using Keras. A theorical analysis of each variable was done and its impacts in each of the tracked results were presented in graphical form. It was found that the number and width of fins has a middle optimal value, between the set extreme points, showing a non-linear behavior. The prediction Machine Learning models were applied in the detection of behavior patterns of each variable and calculation of the effect such geometric parameter have in the thermal performance of finned heat sinks. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30276 |
| Aparece nas coleções: | PG - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| otimizacaodissipadoresinteligenciacomputacional.pdf | 3,77 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
