Periodico bimestrale
Anno XIX, numero 88
Sett./Ottobre
ISSN 1128-3874
OTTIMIZZAZIONE

Ottimizzazione aerodinamica di un deviatore di flusso

Franco Di Eugenio, Amato Cervasio, Paolo Scaramuzzino

L’articolo presenta l’applicazione di metodologie di integrazione di software CAD-CAE, all’interno di un processo di ottimizzazione aerodinamica. Il processo è volto all’identificazione delle configurazioni ottime di un deviatore di flusso posto all’interno di un condotto di un Recuperatore di Calore Residenziale, al fine di massimizzare il rendimento termodinamico del prodotto e minimizzando, al contempo, le perdite di carico introdotte nel sistema (quindi consumi energetici e rumorosità del prodotto).

Stampa pdf rivista

Il lavoro qui presentato fa parte di un’attività di ottimizzazione multiobiettivo svolta da Vortice in collaborazione con iChrome al fine di ottimizzare le prestazioni di un deviatore di flusso.
L’articolo illustra, infatti, un’applicazione industriale di virtual-prototyping e ottimizzazione aerodinamica tesa a garantire l’uniformità del flusso a valle del deviatore, posto all’interno di un condotto d’aria, minimizzando al contempo le perdite di carico introdotte nel sistema. L’obiettivo è valutare l’utilità dell’inserimento del nuovo componente all’interno di un recuperatore di calore, a monte di uno scambiatore di calore interno, la cui sezione non verrebbe sfruttata totalmente, al fine di giustificarne lo sviluppo e l’implementazione.

L’applicazione, inerente al settore della ventilazione e del trattamento dell’aria, viene usata come esempio per illustrare i principali vantaggi di metodologie di integrazione di software CAD/CAE per l’ottimizzazione di componenti caratterizzati da geometrie complesse. Queste metodologie sono state utilizzate, in fase di progettazione preliminare, all’interno di un processo integrato di design e ottimizzazione, al fine di identificare le configurazioni ottimali del sistema oggetto di studio. Infatti, una problematica ricorrente nell’ambito della progettazione fluidodinamica è la dipendenza dei sistemi fisici in esame da una serie di parametri geometrici, spesso accoppiati, per i quali non è possibile stabilire a priori come agire singolarmente su di essi per massimizzare le prestazioni del sistema. In casi come questo la definizione di un processo integrato di ottimizzazione rappresenta una strategia sicuramente vantaggosa e, in alcuni casi, l’unica ragionevolmente applicabile.
In tale scenario, l’integrazione diretta di CAD parametrici offerta da Nexus permette di rigenerare automaticamente la geometria in funzione delle variabli di progetto e di definire un processo di ottimizzazione attraverso l’integrazione in cascata di un software CAE per la risoluzione del modello numerico.
Nell’applicazione presentata, il processo di ottimizzazione è stato realizzato utilizzando i seguenti applicativi:
Nexus: è stato utilizzato come framework di integrazione di processo e ottimizzazione grazie alla sua capacità di integrare direttamente SolidWorks e Ansys Workbench.
SolidWorks: è stato utilizzato come CAD parametrico per la generazione della geometria del deviatore di flusso;
Ansys: CFX è stato utilizzato come framework per la definizione del modello numerico e come solutore CFD.

 

Figura 1 - Diagramma a blocchi per la gestione del  flusso di dati scambiati fra le applicazioni nel loop di ottimizzazione.


In Figura 1 è riportato il flusso di dati richiesto dalla procedura di ottimizzazione.
Il deviatore è costituito da un componente interno di forma circolare e da uno esterno, suddiviso in due parti ad arco di circonferenza. Il deviatore è inserito all’interno di un condotto d’aria, come mostrato in Figura 2.

 

 

 

Figura 2 – Geometria del deviatore di flusso – Configurazione di partenza.

A valle del deviatore è posto un filtro e uno scambiatore di calore. Il  deviatore ha il compito di diffondere le linee di flusso in modo da ampliare l’impronta sul filtro senza però introdurre perdite di carico (e rumorosità) eccessive nel sistema.

Parametrizzazione del CAD

In un CAD parametrico le caratteristiche geometriche utilizzate per la definizione di una parte, o di un insieme di parti, sono modificabili attraverso l’utilizzo di un set predefinito di parametri.
L’integrazione in Nexus di un CAD parametrico permette l’aggiornamento automatico della forma del componente in funzione delle variabili di progetto e il trasferimento della nuova geometria dal CAD al software CAE, per la generazione automatizzata della mesh. La definizione delle condizioni al contorno all’interno del software CAE viene automaticamente attuata sulla nuova geometria, la quale differisce da quella iniziale per l’insieme di quote e dimensioni che definiscono la topologia del deviatore di flusso.
I vantaggi risultano immediati:

  • è più veloce applicare variazioni alla geometria in modo automatico;
  • il modello di analisi non deve essere rivalidato ad ogni iterazione;
  • le condizioni al contorno per la definizione del problema numerico rimangono valide per ogni configurazione analizzata.

Le due parti che compongono il deviatore sono state ottenute come solidi di rivoluzione a partire da due differenti profili piani, le cui dimensioni sono state utilizzate come variabili di progetto (Figura 3).

 

Figura 3 – Variabili di progetto.

Cinque variabili in totale sono state utilizzate nel processo di ottimizzazione. I limiti di variabilità di ognuna di esse sono stati stabiliti in maniera tale che il deviatore sia contenuto all’interno del condotto e che non si vengano a creare zone di ricircolo del flusso d’aria. Trattandosi di uno studio preliminare, è stato eseguito un defeaturing della geometria, eliminando raccordi e smussi, e trascurando le staffe ed i supporti per il fissaggio del deviatore all’interno del condotto.


Modellazione CFD

Le analisi di fluidodinamica computazionale sono state condotte al fine di valutare l’uniformità del flusso in corrispondenza della sezione del filtro e le perdite di carico a cavallo del deviatore. L’analisi è stata eseguita tramite l’uso del solutore CFX. Il volume di fluido è stato modellato con elementi tetraedrici, con una risoluzione della griglia di calcolo tale da catturare con accuratezza i fenomeni fisici del problema, e imponendo opportune condizioni al contorno alle interfacce. Al fine di uniformare il più possibile il flusso nella regione di installazione del deflettore, sono stati aggiunti un dominio di inlet e un dominio di outlet di opportune dimensioni. Inoltre, trattandosi di un’analisi preliminare, è stata adottata una modellazione semplificata per il filtro, che è stato introdotto nell’analisi come una perdita di carico concentrata.
In Figura 4 si mostra l’andamento delle linee di flusso del vettore velocità a cavallo del deviatore per la configurazione di partenza.

 

Figura 4 – Linee di flusso del vettore velocità a cavallo del deviatore per la configurazione di partenza.

Ottimizzazione

Lo scopo dell’ottimizzazione multiobiettivo è quello di garantire l’uniformità del flusso in corrispondenza della sezione di uscita del deviatore, minimizzando contemporaneamente le perdite di carico a cavallo dello stesso. Come indicatore di uniformità del flusso in uscita dal condotto è stata utilizzata la deviazione standard della componente normale del vettore velocità in corrispondenza della sezione del filtro.
I vincoli applicati sono di tipo geometrico e consistono nell’imporre che entrambe le parti che costituiscono il deviatore  siano divergenti e che quella interna abbia dimensioni radiali inferiori rispetto a quella esterna.
Uno dei vantaggi principali derivanti dall’uso di Nexus è la possibilità di utilizzare una particolare categoria di vincoli: i restriction constraints. Per il problema in esame, tali restrictions risultano particolarmente convenienti. Infatti, avendo imposto solo vincoli sui parametri della geometria, Nexus è in grado di valutare se un certo set di variabili di design li soddisfa anche prima di eseguire le analisi fluidodinamiche, garantendo una riduzione sostanziale dei tempi totali di calcolo. Tali vincoli, infatti, a differenza di quelli di tipo tradizionale, consentono di scartare a priori le configurazioni che violano i requisiti imposti per la ricerca delle soluzioni ottimali, senza eseguire alcuna analisi CFD.
Il processo di design è stato definito attraverso un flusso di analisi fra le applicazione esterne (SolidWorks e Ansys Workbench/CFX) con consecutiva esecuzione dei calcoli, monitoraggio ed elaborazione dei risultati ottenuti. Per il problema di ottimizzazione si è deciso di utilizzare il Multi Objective Genetic Algorithm (MOGA), la cui implementazione in Nexus è una derivazione di NSGA-II, modificata al fine di convergere più velocemente e in modo più robusto all’insieme di Pareto, cioè all’insieme di soluzioni di un problema multiobiettivo che soddisfano contemporaneamente vincoli ed obiettivi imposti.
La scelta dell’algoritmo, dei settaggi iniziali e dei parametri di convergenza della procedura di ottimizzazione è facilitata dall’uso di un wizard dedicato (Figura 5)

 

Figura 5 – Flowchart di Nexus e wizard per la selezione dell’algoritmo di ottimizzazione.

ai parametri di default con i quali vengono inizializzati tutti i metodi di ottimizzazione presenti in Nexus.

 

Figura 6 – Indicizzazione delle soluzioni in Nexus.

La Figura 6 mostra il modulo del Design Explorer di Nexus, che consente il monitoraggio in tempo reale delle analisi, il controllo e la visualizzazione dei risultati.
Per l’ottenimento della soluzione del problema in esame sono state eseguite 279 valutazioni, di cui 30 appartengono al fronte di Pareto che rappresenta la soluzione dell’ottimizzazione. Ogni valutazione ha richiesto in media 1.5 ore di calcolo (wall-clock time) per raggiungere la convergenza, su una workstation con 4 processori multi-thread. Data la richiesta di risorse hardware e software necessarie all’ottenimento della soluzione, si è scelto di fare uso delle funzionalità di scheduling offerte da Nexus attraverso le quali è stato possibile programmare preventivamente e variare in tempo reale l’esecuzione delle analisi ottimizzando le risorse disponibili, tramite il controllo del numero massimo di esecutori attivi (numero di analisi effettuate in parallelo) in funzione della fascia oraria o giorno della settimana, tramite un opportuno tool di scheduling implementato nella GUI (Figura 7).

 

 

Figura 7 – Tool di scheduling per la programmazione settimanale delle risorse disponibili.

 

 

Figura 8 – Fronte di Pareto.

 

Figura 9 (a sinistra) – Confronto fra la geometria della configurazione di partenza (A) e della soluzione ottima per la deviazione standard (a parita di perdite di carico) (B).
Figura 10 – Confronto fra la geometria della configurazione di partenza (A) e della soluzione ottima per le perdite di carico (a parità di deviazione standard) (C).

Si evidenzia come il processo di ottimizzazione abbia permesso di individuare soluzioni numericamente più performanti rispetto alla soluzione iniziale, ritenuta comunque una buona base di partenza in avanzata fase di progettazione. Più in particolare, sono qui analizzate in dettaglio due soluzioni appartenenti all’insieme di Pareto: la prima ottima in termini di uniformità del flusso d’aria sulla sezione del filtro, la seconda ottima in termini di perdite di carico. Di seguito le loro caratteristiche:
Configurazione B (Figura 9): soluzione che mostra perdite di carico comparabili con la configurazione di partenza (A) ma garantisce una maggiore uniformità del flusso in corrispondenza della sezione del filtro (Figura 11), con un miglioramento del 10% della differenza fra velocità massima e minima del flusso sulla sezione di imbocco del filtro.

 

Figura 11 - Contour di velocità in corrispondenza della sezione del filtro – Confronto fra la configurazione di partenza (A) e della soluzione ottima per la deviazione standard (a parita di perdite di carico) (B).

 

 

Figura 12 - Contour di velocità in corrispondenza della sezione del filtro – Confronto fra la configurazione di partenza (A) e della soluzione ottima per le perdite di carico (a parità di deviazione standard) (C).

Configurazione C (Figura 10): soluzione che mostra una riduzione del 16% delle perdite di carico rispetto alla configurazione di partenza (A). Si può notare (Figura 12) che nonostante le configurazioni A e C abbiano una distribuzione statistica di velocità simile, la configurazione C garantisce una maggiore uniformità del flusso in termini di differenza tra velocitá massima e minima sulla sezione del filtro.

« Indice del n. 80