본 연구는 셀룰로스 기반 증발 냉각 패드의 성능에 미치는 유입 공기의 건습구 온도, 상대 습도, 그리고 공기 속도의 복합적인 영향을 실험 및 모델링을 통해 분석했습니다. 기존 연구들이 온도, 습도, 유량을 개별적으로 다루었던 것과 달리, 본 연구는 이들 변수 간의 상호작용이 공기 냉각 및 가습에 미치는 영향을 체계적으로 규명했습니다.
실험은 건구 온도, 상대 습도, 물 온도, 공기 속도, 물 유량을 정밀하게 제어하며 진행되었습니다. 이를 통해 열 및 물질 전달 계수를 도출하고, 이를 바탕으로 1차원 열 및 물질 전달 모델을 개발했습니다.
최대 냉각 효율(90–95%)은 적정 공기 온도(28–34°C), 유입수 온도(22–25°C), 낮은-중간 상대 습도(30–50%), 그리고 0.27–0.53m/s 범위의 공기 속도에서 달성되었습니다. 이는 현열 및 잠열 전달 메커니즘이 최적화될 때 나타나는 현상입니다. 공기 속도는 공기 경계층 갱신을 통해 물질 전달을 촉진하며, 유리한 심리 측정 조건은 효율적인 증발을 유도합니다. 가습 및 온도 강하 모두 이러한 변수들의 상호작용에 매우 민감했습니다.
개발된 모델은 냉각 효율 예측에서 7% 미만의 MAE 및 RMSE를, 출구 공기 온도 예측에서 1°C 미만의 MAE 및 RMSE를 보여 신뢰할 수 있는 성능을 입증했습니다. 이는 연구된 작동 범위 내에서 시스템 거동을 정확히 재현함을 의미합니다. 본 연구 결과는 고효율 증발 냉각 시스템 설계 및 운영에 실질적인 지침을 제공하며, 냉각 성능 극대화를 위해 공기 심리 측정 조건과 공기 유량을 동시에 최적화하는 것의 중요성을 강조합니다.
열변색 액정(TLC)을 활용한 과도 열전달 실험은 고해상도 표면 온도 데이터를 제공하지만, 신호 잡음, 비이상적인 유체 온도 변화, 그리고 픽셀 단위에서 다중 TLC 반응을 분석하는 어려움이 존재합니다. 본 연구는 이러한 문제를 해결하기 위한 완전 자동화 분석 프레임워크를 제안합니다.
제안된 프레임워크는 (i) 휘태커 알고리즘을 통해 원본 비디오 데이터의 잡음을 제거하고 베이스라인을 보정하며, (ii) 구간별 감지를 통해 픽셀당 여러 강도 피크를 식별하고, (iii) Duhamel 원리의 단계별 부분 적분(SPI) 공식을 사용하여 국부 대류 열전달 계수를 평가합니다. 각 픽셀에 대해 개별 TLC 지시를 통해 열전달 계수를 결정하며, 최종 값은 가장 신뢰할 수 있는 지시가 지배하도록 역분산 가중 평균으로 산출됩니다.
이 방법론은 두 가지 다른 협대역 TLC 층이 코팅된 회전하는 2-패스 냉각 채널에 적용되었습니다. 기존의 반무한 벽 분석과 비교했을 때, 제안된 워크플로우는 다중 협대역 TLC의 피크를 자동으로 감지하여 표준 방법론을 크게 개선합니다. 다중 TLC의 이점을 입증하기 위해, 추가 정보는 실험의 측정 불확실성을 줄이는 데 활용됩니다.
이는 TLC의 최적 지시 온도가 각 지점의 열전달 계수 및 구동 온도 차이에 따라 달라지기 때문에 가능합니다. 결과적으로, 결과는 실험 후 평가되며 해당 표준 편차에 따라 가중치가 부여됩니다. 이 전체 워크플로우는 단일 실험에서 추가 변수를 결정하기 위한 다중 매개변수 분석을 가능하게 합니다.
용융염 상변화 축열 시스템의 충전 속도는 상변화 물질의 낮은 열전도율로 인해 제한되는 문제가 있습니다. 본 연구는 이러한 한계를 극복하고자 엔탈피-다공성 방법을 활용하여 중저온 용융염 쉘-앤-튜브 열교환기를 수치적으로 분석했습니다.
연구는 환형 핀, 핀 개수, 핀 두께, 그리고 다중 튜브 결합이 용융 거동 및 축열 성능에 미치는 영향을 체계적으로 분석했습니다. 이를 통해 열전달 효율을 극대화하고 축열 시스템의 성능을 향상시키는 최적의 설계 인자를 도출하고자 했습니다.
환형 핀 도입 시 완전 용융 시간이 1392초에서 1105초로 20.6% 단축되었으며, 후기 단계의 열저항도 감소했습니다. 핀 개수를 4개에서 9개로 늘리면 용융 시간이 추가로 148초 단축되었으나, 자연 대류 제한으로 인한 성능 향상 둔화가 관찰되었습니다. 최적의 핀 두께는 2mm로 나타났습니다.
다중 튜브 설계와 결합 시 용융 시간은 928초로 33.3%까지 단축되어, 분산형 튜브와 환형 핀의 통합이 축열 성능을 크게 향상시킴을 확인했습니다. 이러한 결과는 환형 핀과 다중 튜브 결합이 열전달을 효과적으로 증진시키고 온도장 균일성을 개선하며 용융염 축열 속도를 가속화함을 보여줍니다.
본 연구는 두 평행판 사이에 갇힌 폴리머 펜타 하이브리드 나노유체의 비정상 압착 유동 및 열전달 거동을 분석합니다. 비압축성, 층류 유동을 가정하고 점성 소산 및 나노입자 효과를 통합한 시간 의존적 수학적 모델을 개발했습니다. 이 모델은 연료전지, 레독스 흐름 전지, 전해조, 슈퍼커패시터와 같은 밀폐된 전기화학 에너지 시스템에 적용 가능합니다.
나노유체의 거동 예측을 위해 머신러닝 기반의 인공신경망(ANN) 모델을 통합했습니다. 은닉층에 시그모이드 활성화 함수, 출력층에 선형 뉴런을 사용하는 2계층 피드포워드 신경망을 Levenberg-Marquardt 역전파 알고리즘으로 훈련했습니다. 이 모델은 훈련, 검증 및 테스트 데이터셋 전반에 걸쳐 평균 제곱 오차(MSE)의 빠른 수렴과 낮은 오차 값을 보이며 높은 성능을 입증했습니다.
주요 결과에 따르면, 압착 매개변수와 나노입자 부피 분율이 증가하면 온도 프로파일이 감소하는 반면, 에커트 수 증가는 온도 프로파일을 증가시킵니다. 기하학적 비율 매개변수 증가는 미미한 온도 상승을 유발하며, 나노입자의 형상 계수는 온도 프로파일을 감소시킵니다. 특히, 형상 계수가 구형에서 박판형으로 변할 때, S < 0 및 S > 0 조건에서 초기 온도 프로파일이 각각 18.09% 및 7.39% 감소했습니다.
ANN 모델의 평균 MSE 값은 10^-10 수준이었고, 기울기 값은 약 10^-8로 매우 높은 예측 정확도를 보였습니다. 이 연구는 동적 작동 조건에서 좁은 평행판 채널 내 전해질 수송 및 열 조절이 발생하는 전기화학 에너지 시스템의 설계 및 최적화에 기여할 수 있습니다.
