关 键 词：

机械类毕业-含CAD图纸 热交换器设计

资源描述：

合成氨装置-五级闪蒸汽热交换器设计【机械类毕业-含CAD图纸】.zip,机械类毕业-含CAD图纸,热交换器设计

内容简介：

一、 毕业设计（论文）题目合成氨装置-五级闪蒸汽热交换器设计二、毕业设计（论文）依据及参数换热器运用在石油、化工、轻工、制药、能源等工业生产中，其中管壳式换热器运用最为广泛，根据工程工艺的要求，掌握换热器的工艺计算、根据换热器设计标准进行规范化设计、并利用CAD软件进行制图是本专业学生从事工程设计的重要基础。本课题需要设计一台用于合成氨装置-五级闪蒸汽热交换器设计，要求学生通过本课题的设计全面掌握热交换器的工艺计算、结构设计、强度计算以及CAD制图，掌握热交换器的标准化设计方法，具备工程设计的能力。设计要求如下：H2S：进出口温度-55/-20，流量5000 m3/hr，压力0.12MPa；液氨：进出口温度-18/-30，压力2MPa。三、毕业设计（论文）目标及内容1. 通过文献检索，掌握换热器的工作原理以及在石化行业中的应用，了解换热器的最新研究进展；2. 掌握换热器设计的相关标准和规范，包括TSG 21-2016固定式压力容器安全技术监察规程、GB/T 150-2011压力容器、GB/T 151-2014热交换器等；3. 掌握换热设备的工艺计算流程；4. 掌握换热器结构设计方法，强度计算方法，并且具备按照压力容器以及换热器相关设计标准进行规范化设计的能力，了解换热设备的经济成本核算；5. 根据工艺计算结果以及结构设计结果，能够用规范的格式撰写设计说明书；6. 利用计算机绘图软件完成装配图、部件图和零件图，并能进行三维制图。4、 课题所涉及主要参考资料1 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.GB/T 150.1150.4 -2011 压力容器S. 北京：中国标准出版社，2012. 2 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.GB/T 151-2014 热交换器S. 北京：中国标准出版社，2015.3 TSG 21-2016. 固定式压力容器安全技术监察规程.4 姚玉英.化工原理M. 天津：天津大学出版社，1999.5 马江权, 冷一欣. 化工原理课程设计M. 北京：中国石化出版社，2011.6 董其伍, 张垚. 换热器M. 北京：化学工业出版社，20097 郑津洋, 桑芝富. 过程设备设计.北京: 化学工业出版社,2015.8 中国石化集团上海工程有限公司. 化工工艺设计手册(上册) M. 北京: 化学工业出版社，2009. 9 钱颂文. 换热器设计手册M. 北京: 化学工业出版社，2002.5、 进度安排学期/周次工 作 内 容检 查 方 式七/17与导师见面、布置任务，查阅文献；文献资料检查包括：中英文书籍、标准、论文，翻译的原文审核；七/18-19翻译文献，撰写文献综述；翻译译文审核，文献综述审核（参考文献数量：中文15篇，英文5篇，参考文献格式规范），通过后上传文献综述；假期-八/1-2确定设计方案，工艺设计计算；提交设计说明书工艺计算部分；八/3-4换热器结构设计和强度计算；提交设计说明书结构设计和强度计算部分；八/5-6整理编写设计说明书，并对说明书进行修改完善；提交设计说明书检查；八/7毕业实习；提交毕业实习报告；八/8-9计算机绘制总装配图，中期检查；提交总装配图检查，完成中期检查报告；八/10-11计算机绘图部件图、零件图；提交部件图、零件图检查；八/12所有图纸汇总、校对、修改；小组讨论检查，提交所有图纸检查；八/13基于Solidworks或者Pro-E进行三维制图三维制图检查；八/14整理毕业答辩材料，提交全部毕业设计材料；按学校要求提交全部毕业设计相关材料；八/15-16答辩，根据答辩提出的问题进行修改完善。提交修改材料，毕业设计所有文件定稿。六、毕业设计（论文）时间：2017年 12 月 25 日到2018年 6 月 18 日七、本毕业设计（论文）必须完成的内容1. 调查研究、查阅文献和搜集资料。2. 阅读和翻译与课题内容有关的外文资料（外文翻译不能少于2万印刷字符，约合5000汉字）。3. 撰写文献综述，确定设计方案。4. 工艺计算；结构和强度设计计算；材料的选择等。5. 撰写毕业设计说明书。6. 绘制图纸（总装配图、部件图、零件图）。八、备注本任务书一式三份，学院、教师、学生各执一份。 壳管式换热器的多目标优化作者：Bansi D. Raja a, R.L. Jhala b, Vivek Patel摘要本文对壳管式换热器的多目标（四目标）优化进行了系统的研究。考虑换热器的热效率，总成本、压降和熵产数目等多目标优化问题，提出多目标传热搜索（MOHTS）算法，并应用于求解一组帕累托的最优点。许多客观的优化结果形成了一个四维超客观空间的解决方案，并在二维客观空间上表现出来。因此，四目标优化的结果在二维客观空间中由六个帕累托参量表示。将这六个帕累托参量与它们相应的两目标帕累托参量进行比较，使用包括LINMAP，TOPSIS和FUZZY等方法，从多目标优化的帕累托最优集合中选择最终的最优解。最后，为了揭示这些目标之间的联系程度，每个设计变量分布也表现在二维客观空间中。关键词：壳管式换热器，多目标优化，效用，总成本，压降，生成单元熵的数量。术语:A 传热面积（m2）Nt管数At 管外换热面积（m2）Ns生成单元熵的数量Ao,cr壳体中心线的横流面积（m2）np管道数量Ao,w一个管口部分的净流量面积ny设备使用寿命（年）a,a1,a2 通过系数获得Colburn因子pt 管间距（m）ad 年折扣率（%）Pr 普朗特数bc挡板切割比例p压力（Pa）bs 挡板间距比p 压降（Pa）b,b1,b2 计算壳侧摩擦系数的系数Rfs壳侧污垢抗性（m2 K / W）Cp 比热（J / kg K）Rft管侧污染阻力（m2 K / W）CL 管布局不变rs, rlm 通过系数得壳侧Colburn因子CPT 管数不变Q 传热率（kW）Cinv 投资成本（元）T 温度（K）Cope 营业成本（元）U 总传热系数（W / m2 K）Co 年度经营成本（元/年）V 体积流量（m3 / s）d 管直径（m）希腊字母Ds 壳直径（m） 密度（kg / m3）Fc 横流部分的管子总数的一部分 动态粘度（Pa s）F 摩擦因素 最小与最大面积之比G 质量流速（kg / m2 s） 整体泵送效率h 传热系数（W / m2 K） 效率j colburn因素 每年的营业时间Kc, Ke 入口和出口压力损失系数K导热系数（W / m K）术语:kel 电能价格（美元/千瓦时）标注：L 管长（m）i 内部或入口Lbi,，Lbo, Lbc入口，出口和中心挡板间距（m）os 外部或出口壳侧M 质量流量（kg / s）t 管侧Nb 铌的数量W 墙1. 引言 换热器是通过能量回收来达到节能目的的重要设备之一。在各种类型的热交换器中，一个重要的类型是壳管式热交换器（STHE）1。 STHE被广泛应用于炼油和石化工业，发电，制冷，供暖和空调以及医疗等方面。 STHE的设计优化需要对热力学，流体动力学和成本估算的综合理解1,2，通常，涉及STHE设计优化的目标是热力学（即最大有效性，最小熵产率，最小压降等）和经济（即最小成本）。STHE的传统设计方法是耗时的，并不能保证最佳的解决方案。因此，基于进化算法和群体智能的算法在STHE的优化设计中已经倍受关注。 以前，一些研究人员使用不同的优化技术，采用不同的方法和目标函数来优化STHE。然而，他们的调查集中在单一目标优化或多目标（即两个或三个目标）优化。Mohanty 3开展了STHE的经济优化工作。他利用引力搜索算法作为优化工具，着眼于STHE年度总成本的优化。Wong等人4使用NSGA-II同时优化STHE的资本成本和运营成本。 Amin和Bazargan 5认为换热量的增加和换热总成本的降低是STHE多目标优化的目标函数。在遗传算法的研究中，他们采用了11个决策变量和压降约束。Hadidi和Nazari 6采用基于生物地理学的优化（BBO）算法来降低STHE的成本。作者解决了STHE的三个测试案例，以证明BBO方法的有效性，Rao和Patel 7以热交换率和换热器总成本为目标函数对STHE进行了多目标优化。作者使用了基于教学学习的优化（TLBO）算法的改进版本作为优化工具。 温等人8获得了传热率与螺旋挡板STHE的总成本之间的帕累托正面。作者在他们的调查中考虑了三个优化变量，并展示了优化和常规STHE设计之间的比较。郭等人9应用场协同原则优化STHE设计。作者将场协同数最大化作为目标函数，采用遗传算法求解优化问题。 Caputo等人10提出了STHE制造成本估算的一个新的数学模型。作者进行了参数分析，以获得STHE的最佳长径比。Hajabdollahi等人9用九个决策变量和遗传算法作为优化工具对STHE进行经济优化。作者还提出了设计变量对目标函数最优值的敏感性。Khosravi等人12研究STHE经济优化的三种不同演化算法的性能。Sadeghzadeh等人13用遗传和粒子群优化算法证明STHE设计的技术经济优化。 Yousefi等人14采用NSGA-II来优化用于混合式光伏 - 柴油动力系统中废热回收的STHE,Hajabdollahi和Hajabdollahi 15研究了纳米粒子在STHE热经济优化中的作用,Yousefi等人对基于纳米流体的热回收系统进行STHE的热经济优化。其他几个研究人员17-25用不同的优化策略对热力学，经济或热经济目标进行STHE的单目标或多目标（两个或三个目标）优化。除STHE之外,研究人员还努力优化其他类型的换热器。例如，Yousefi等人 26-30实现了紧凑型换热器优化的进化算法, Patel等人31,32研究板翅式换热器的热经济目标优化,Raja等人33进行旋转再生的多目标优化。因此，从文献调查中可以看出，研究人员针对单目标或多目标（两个或三个目标）考虑进行了STHE的经济优化，热力学优化或热经济优化。然而，STHE的多目标优化尚未在文献中观察到。考虑到这个事实，为了实现STHE的多目标（即四目标）优化，已经将努力放在了目前的工作中。许多客观的考虑导致STHE和最终用户更真实的设计可以根据他/她的要求从中选择任何优化的设计。此外，作为一个优化工具，传热搜索（HTS）算法34是在目前的工作实施。传热搜索是最近开发的基于热力学和传热自然规律的元启发式算法34。在这项工作中，传热搜索（MOHTS）算法的多目标变体被提出来解决STHE的多目标优化问题。所提出的算法使用基于网格的方法来保持外部存档的多样性。帕累托优势被纳入MOHTS算法，便让这种启发式处理与几个目标函数的问题。在所提出的算法中，基于Pareto支配概念计算解的质量。 因此，目前工作的主要贡献是（一）STHE的多目标优化，以最大限度地提高效率，同时最小化总成本，压降和熵产单元的数量。（二）引入传热搜索（MOHTS）算法的多目标变体，并将其用于求解STHE的多目标优化问题（三）将多目标（即四目标）优化的结果与多目标 （即双目标）优化。（四）比较多目标（即四目标）优化和多目标（即两目标）优化之间决策变量的基本关系。（五）在LINMAP，TOPSIS和模糊决策方法的帮助下，从多目标优化的Pareto最优集合中选择最终的最优解。2.建模的过程 本节介绍THE设计优化中涉及的热力学水力模型，目标函数公式，设计变量和约束条件。2.1 热和液压STHE的详细几何结构如图1所示。在目前的工作中，e-NTU方法被用来预测STHE的性能。 STHE在稳定状态下运行，面积分布和传热系数假设为均匀恒定。 此外，Bell-Delaware方法1,35,36用于估算壳程传热和压降。表1显示STHE的热和水力模型制定。2.2 目标函数 在目前的工作中，相互冲突的热力学和经济目标之间的多目标优化被执行。下面列出了所考虑的热力学和经济目标。2.2.1热力学目标在目前的工作中，制定了三个热力学目标通过考虑有效性，总压降和STHE的熵产生单元的数量。在这里，这是理想的最大限度地提高热交换器的效率并使其最小化总压降和熵产单位。换热器对选定的E型TEMA壳管热量的有效性换热器由1,7,35给出。=21+C+1+C20.5coth(NTU2(1+C2)0.5) (13)其中，C和NTU分别是热容量比和传输次数,单位STHE分别在表1中给出。同样的，总压降和熵产数STHE单位由35,37给出。Ptotal=Pt+Ps (14)Ns=CP,SCmasln1-CminCp,s1-Tt,iTt,i-RsCp,sln1-PsPs,i+ (15) Cp,sCmaxln1+CminCp,sTs,iTt,i-1-RtCp,tln1-PtPt,i图1.壳管式换热器几何图其中，DPt和DPs分别是管侧和壳侧压降。 同样Tt，i，Ts，i，Pt，i和Ps分别是表1中给出的STHE的热工水力模型求出的管侧和壳侧流体的入口温度和压力。2.2.2经济目标考虑STHE的投资成本和运营成本构成的总年度成本（Ctot），由7,24给出了经济目标函数。Ctot=Cinv+Cope (16)其中，Cinv和Cope是STHE的总投资成本和运营成本，定义为7,24。Cinv=8500+409At2 (17)Cope=ti=1ny Co(1+ad)tI (18)C0=WKel (19)其中，ad，ny，kel分别是年度贴现率，设备使用年限，电能价格，同样，W是泵送功率，并使用表1中给出的STHE的热 - 水力模型获得。 在目前的工作中，MOHTS算法被用于STHE的多目标优化。多目标问题一般可以描述如下38。Max/Min fX=f1X,f2X,f3X,f4XX=x1,x2,.xk (20)其中，f1（X），f2（X），f3（X），f4（X）是STHE的有效性，总成本，压降单元熵数量，这些约束被表述为：giX0,I=1,2,nc (21)Xj,minXjXj,max, j=1,2,.,nd (22) 其中，nc和nd分别是约束的个数和决策变量的个数。此外，在目前的工作中，静态惩罚方法被用于约束处理。在文献39中详细讨论了在进化算法中应用约束处理方法。2.3 设计变量和约束在目前的工作中，六个影响STHE性能的设计变量被考虑用于优化。这些变量包括：表1. STHE 7.24的建模方程方程序号标注For2500Ret1.241051管侧传热系数Ret=mtdttAt 2管方雷诺数At=0.25di2Nt/np3管侧横截面积Ds=0.637Pr(Nt)CL/CTP4壳直径Khs=hiJcJiJhJsJr, hi=jCp,sPrs-2/3A0,cr5壳侧传热系数U=11hs+Rfs+d0ind0d12kw+d0di(Rft+1ht)6整体传热系数A=ld0Nt7换热器表面积C*=Cp,minCp,max8比热容1NTU=CminUA9单位转移的数量ft=0.00128+0.1143(Ret)-0.31110管侧摩擦系数fs=b1(1.33ptd0)bResb211壳侧摩擦系数W=(ptvtp+psvsp) 12抽力（i）管直径（ii）管数（iii）管长（iv）管间距比（v）挡板切割比（vi）挡板间距比。 设计参数变化范围如表2所示。此外，基于表1热工水力模型的目标函数应满足以下约束条件35,36。3LDs12 (23)PsPs,max (24)Ptf(Xk)Xk,jnew=Xj,iold-R2Xj,iold Iff(Xk)f(Xj); if ggmax/CDF (26)Xj,inew=Xk,iold-riXk,iold Iff(Xj)f(Xk)Xk,jnew=Xj,iold-riXj,iold Iff(Xk)f(Xj) if ggmax/CDF (27)其中，j = 1,2，.，n，jk，k （1,2，.，n）和i （1,2，.，m。此外，k和i是随机选择的解决方案和设计变量。R 0,0.3333是选择导通相位的概率;ri 0,1是均匀分布的随机数，CDF是传导因子。3.2 对流阶段这个阶段模拟系统和环境之间的对流传热。在对流换热中，周围的温度与系统的平均温度相互作用。在HTS算法优化的过程中，最好的解决方案是假定为一个周围，其余的解决方案组成系统，因此，最佳解决方案的设计变量与人口的相应平均设计变量相互作用。在这个阶段，解决方案根据下面的等式更新34。Xj,inew=Xj,iold+R(Xs-XmsTCF) (28)TCF=absR-r1 if ggmax/COF TCF=round1+r1 if ggmax/COF (29)其中，j = 1,2，.，n，i = 1,2，.，m。Xs是周围的温度，Xms是系统的平均温度。R 0.3333,0.6666是选择对流相的概率;ri 0,1是均匀分布的随机数，COF是对流因子。3.3 辐射阶段该阶段模拟系统内部以及系统与周围之间的辐射传热。辐射传热发生在系统和周围以及系统的不同部分之间。在使用HTS算法进行优化的过程中，这种情况表示借助于最佳解决方案或任何其他随机选择的解决方案更新任何解决方案。在这个阶段，解决方案更新如下34。Xj,inew=Xj,iold+RXk,iold-Xj,iold If f(Xj)f(Xk) Xj,inew=Xj,iold+RXj,iold-Xk,iold If f(XK)f(Xj): if ggmax/RDF (30)lXj,inew=Xj,iold+riXk,iold-Xj,iold If f(Xj)f(Xk) Xj,inew=Xj,iold+riXj,iold-Xk,iold If f(XK)f(Xj): if gmax/RDF (31)其中，j = 1,2，.，n，jk，k （1,2，.，n）和i （1,2，.，m）。此外，k是随机选择的解决方案。R 0，0.3333是选择辐射相位的概率; ri 0，1是均匀分布的随机数，RDF是辐射因子。4.多目标传热搜索（MOHTS）算法多目标传热搜索（MOHTS）算法使用外部存档来存储用于生成帕累托前沿的非主导解决方案。MOHTS算法使用基于电子优势的更新方法40来检查存档解决方案的统治。 帕累托最前面是基于外部存档中保存的解决方案生成的。MOHTS算法使用基于网格的方法，使用固定大小的归档进行归档。在更新过程中找到的最佳解决方案存储在存档中。电子支配法被用于每一代的更新档案。 在电子支配方法中，将假设一个维数等于问题目标数的空间。每个尺寸都会按照尺寸进行切割。 这将打破空间框和解决方案是在这些框。之后，首先将被其他箱子占据的箱子（保持解决方案）移除。换句话说，这些框中的解决方案被删除。 然后检查剩余的盒子以仅包含一个解决方案。如果剩余的盒子包含多个解决方案，则从每个盒子中删除占主导地位的解决方案。因此，只有非主导的解决方案保留在档案中。MOHTS的伪码如图2所示。5.应用示例通过分析文献7,24中STHE的应用实例，评估了采用MOHTS算法进行多目标优化的方法的有效性。它旨在设计和优化STHE（如图1所示），用于用淡水冷却油（壳侧流体）（管侧流体）。351.3K的高温油进入STHE的壳侧，质量流量为8.1kg / s。在温度为303K，质量流量为12.5kg / s的情况下，将新鲜水供应到管侧。油和水的供应压力分别是1.8巴和1.2巴。在优化过程中考虑两种流体的温度相关的热物理性质。不锈钢用于STHE的建造。参考文献摘自STHE优化所需的经济参数。7,24。因此，要找出STHE的设计参数（即管径，管子数量，管子长度，管子髓核比率，挡板切割比率和挡板间距比率）以获得最大的有效性和最小的总成本，压降和数量熵生成单元。6.结果和讨论首先，对每个目标函数进行单目标优化，以确定目标函数相对于彼此的行为。表3列出了本研究中使用的HTS和MOHTS算法的控制参数。单目标优化的结果如表4所示。结果表明，当效率达到最大（即最大有效性考虑）时 那时其他三个目标函数都不是最佳值。 当我们考虑其他目标时，也会出现类似的情况（即总成本，压降和熵生成单元的数量）。因此，单一目标优化的结果清楚地揭示了所有有形目标之间相互矛盾的本质。 因此，在MOHTS算法的帮助下，进行了多目标（即四目标）优化。对于STHE的考虑范例，在多目标优化过程中将200个设计点作为帕累托最优点生成。为了可视化许多客观优化的Pareto最优点（即同时考虑所有的目标），许多客观优化的Pareto最优点被表示在任意双目标的二维目标空间中，以及相应目标Pareto最优点。这样，本应用实例的四目标优化结果在两个目标函数的不同组合计划中由六个Pareto前沿表示。图3显示了有效性和总成本的二维目标空间中的最优目标的Pareto最优点分布，以及相应目标的Pareto最优点。分散的分布与双目标优化（其中观察到清晰的帕累托 图2 MOHTS算法的伪码正面）相比，观察到四个客观优化的帕累托最优点。如图所示，双目标和四目标优化的一些设计点是彼此重叠。然而，对于剩余设计点而言，与双目标优化相比，四个客观优化在给定有效性的情况下导致总成本更高。因此，与双目标考虑相比，有效性和总成本之间的矛盾行为在四个客观的考虑中被提高。对应于图3的五个样品数据点（A至E）的最佳设计参数列于表5中。从结果可以观察到，与其他设计相比，管长度，管直径和管数目的变化较高于数据点A-E的变量。另外，数据点A-E观察到效81.68，总成本变化72.36。而且，对于所呈现的数据点，与熵产生单元的数量相比，观察到压降的更高的变化。此外，从图3可以看出，在二维目标空间中有一些点可能相对于表3.HTS算法的控制参数导相选择概率：0-0.3333对流阶段的选择概率：0.3333-0.6666辐射阶段的选择概率：0.6666-1传导系数：2对流系数：10 辐射系数：2其他点看起来占主导地位。例如，X1-X2相对于总成本，Y1-Y2相对于有效性。然而，当从表5中列出的结果中观察时，这些个体在同时考虑所有四个目标时是不支配的。这样的事实对于设计者从一个最佳解决方案转换到另一个解决方案是非常重要的，以实现目标的不同权衡要求。帕累托最优点在有效性和压降计划中的分布如图4所示。在这种情况下，四目标优化的一些设计点在双目标优化的帕累托上重叠剩余的设计点在二维的客观空间中展开。产量目标效率总费用压降（Pa）生成单元熵的数量效率0.78630.06880.20760.0674总费用56297.913806.930250.213869.5压降（Pa）5247.25820.7314.25410.9生成单元熵的数量0.00280.00080.00130.0005表4.单一客观考虑的最佳结果图3.在目标4和目标2优化中有效性与总成本的变此外，与双目标优化相比，在四目标优化中观察到宽的压降变化，这表明两者的相互矛盾的性质升高多目标考虑的目标。对应于图4的五个样品数据点（A-E）的最佳设计参数列于表6中。从结果可以观察到，管长度，管直径，管节距比和管数量的变化高于与数据点AE的其他设计变量相比较。另外，数据点AE观察到83.39的有效性变化和79.76的压降变化。此外，X1-X2和Y1-Y2（如图4所示）是样本设计点在二维中看起来占优势的解决方案客观的空间。然而，从观察的角度来看，这些人在多方面的客观考虑方面是不支配的结果列于表6。图5显示了熵生成单元的有效性和数量计划中的优化目标的帕累托优点分布，以及相应目标的帕累托最优点。从图中可以看出，在这种情况下，四目标优化的多数设计点在双目标优化的帕累托点上重叠，而其余设计点分布在更接近帕累托前沿。因此与双目标考虑相比，熵值生成单元的有效性和数量之间的冲突行为在四目标考虑中没有显着变化。表5列出了对应于图5的五个样本数据点的规格。图6显示了总成本和压降计划中帕累托最优点的分布。从图中可以看出，在四目标优化的帕累托点的一部分（左边的中上部区域）中，总压力变化很小，压降变化很小。而在其他部分（右侧到中部区域），总压降变化很大，总成本变化很小。此外，与双目标考虑相比，总成本和压降的变化范围更多地是四目标考虑，这表明在四目标考虑中这些目标的冲突性提高。在表8中列出了对应于图6的五个样本数据点的规格。此外，样本设计点X1-X2和Y1-Y2在图6中示出并且在表8中列出以揭示解决方案在多方面的考虑方面是不支配的。表5.样本设计点（A-E）的有效性和总成本计划的最佳参数.ABCDEX1X2Y1Y2管径（mm）15.311.211.215.315.315.314.315.314.2管数600460281136329600598600600管长（m）1253.7338.58.17.68.2管节距比1.911.251.251.3221.651.862挡板切割比例0.190.190.190.190.320.30.210.190.19挡板间距比0.20.20.20.21.40.561.40.20.52效用0.76560.70590.55840.32940.14020.54040.54010.6730.5908总成本（$）76294.830539.922649.716902.121084.559017.954044.154763.954761.6压降（Pa）1704.620593.635925.922111.7743.9797.2979.01500.91150.1生成单元熵的数量0.00280.00290.00280.0020.00090.00260.00260.00280.0027 图4.在4目标和2目标优化下压降的有效性变化表6.样品设计点（A-E）的有效性和压降计划的最佳参数ABCDEX1X2Y1Y2管径（mm）13.411.211.215.315.315.315.311.211.3管数600460251161206176139289275管长（m）6.453.23.3333.53.53管节距比1.251.251.341.4321.251.311.251.25挡板切割比0.190.190.190.190.190.250.190.190.19挡板间距比0.20.20.20.21.40.20.20.20.2效用0.76130.70590.44970.32760.12640.36820.36880.54650.4884总成本（$）44592.630539.919601.317149.917110.618014.317757.722264.820692.1压降（Pa）8001.920593.627124.210823.81619.119443.321196.134617.334625.4生成单元熵的数量0.00280.00290.00250.0020.00090.00210.00220.00280.0026图5.在4个目标和2个目标的优化中，生成单元熵数量的变化在总成本和熵生成单元的计划中，帕累托最优点的分布如图7所示。从图中可以看出，双目标考虑的帕累托正态表现为彼此重叠的一组点 （图的左下角），而在四目标考虑中观察到帕累托点的广泛分布。因此，这些目标的矛盾性质在成因上被提升。对应于表7.样本设计点（A-E）的有效性计划和熵生成单元数量的最优参数AB C DE径（mm）12.2 11.2 15.3 11.9 13.7管的数量 600252 152 184 100表7.样本设计点（A-E）的有效性计划和熵生成单元数量的最优参数ABCDE管长(m)6.23.4333管节距比1.251.26 1.2521.95挡板切割比率0.190.190.190.240.32挡板间距比0.20.20.240.21.4效力0.76760.50880.34550.22020.0728总成本41833.121383.917242.315812,113922.1压降11316.838972.920051,68971.29086.2图6.在4目标和2目标优化中总成本随压降的变化图7的五个样本数据点的最佳设计参数列于表9中。此外，为了揭示解决方案相对于多目标考虑，样本设计要点X1-X2和Y1-Y2如图7所示，并列于表9。压降计划和熵产单元数量中的帕累托最优点的分布如图8所示，这里还观察到四个目标优化的帕累托最优点的分散分布，与两个客观优化相比，表明 四目标考虑这些目标的冲突性质。表10列出了与图8相对应的五个样本数据点的最优设计参数。除此外，还示出了样本设计点X1-X2和Y1-Y2，以显示关于多目标考虑的解决方案是不支配的。此外，获得的帕累托解的三维可视化如图9所示。多目标优化利用不同的决策方法，以从帕累托最优点中选择最佳解。 参考文献中提供了用于决策过程的不同方法41,42。 在目前的工作中，使用了LINMAP，TOPSIS和Fuzzy三种决策方法。而且LINMAP，TOPSIS和FUZZY方法的理解简单，易于实现。表8.总成本和压降计划中样本设计点（A-E）的最佳参数ABCDEX1X2Y1Y2管径（mm）15.315.315.311.915.311.212.415.313.9管数600600321312100354251600464管长（m）11.35.834.3333.79.18.9管节距比21.321.251.251.31.251.251.462挡板切割比例0.320.320.190.190.190.190.190.320.29挡板间距比0.910.20.20.20.20.20.20.20.2效用0.56710.66650.47160.60800.290.52760.52290.73840.6231总成本（$）72784.345398.921841.524515.216764.921678.921563.962387.347885.4压降（Pa）877.73274.410085.326224.732569.926748.328983.92499.92499.6生成单元熵的数量0.00260.00280.00240.00280.00190.00270.00270.00280.0027图7.总成本与熵生成单元的数量在4目标和2目标优化中的变化此外，这些方法在决策过程中考虑的选择和标准数量不限。但是，当模型中包含新的替代方法时，这些方法会出现排名逆转（最终排名可以交换）的问题。有关每种方法的详细工作描述可在文献41,42中找到。图1和图2显示了LINMAP，TOPSIS和Fuzzy决策方法所选择的最终解决方案。3-8，列于表11.根据结果，LINMAP和TOPSIS获得的解决方案是相互接近的。表9.样本设计点（A-E）在总成本计划和熵生成单元数量上的最优参数ABCDEX1X2Y1Y2管径（mm）15.31515.315.315.315.315.315.314.3管数600496434184139379381600598管长（m）127.94.833.1338.58.1管节距比1.9121.8621.882221.65挡板切割比例0.190.320.290.190.320.320.190.30.21挡板间距比0.21.40.770.21.41.41.270.561.4效用0.76560.38740.31680.21560.09230.15250.18700.54040.5393总成本（$）76294.848150.932262.816544.515154.122658.622725.559017.954044.1压降（Pa）1704.6896.5837.63368.73208.7597.6633.9797.2978.9生成单元熵的数量0.00280.00210.00190.00140.00070.0010.00120.00260.0026图8.在4目标和2目标优化中，压降与熵产单元数量的变化为了更好地了解决策变量与四目标优化的潜在关系，在图1和图2中为所有200个设计点绘制了与四目标优化相对应的决策变量的值。10-15。为了比较的目的，设计变量在双目标优化中的分布也在这些图中给出。图10显示了所有200个设计点的管径分布。管径散布分布规定了其在四目标优化中的冲突效应。在双目标优化的情况下，仅考虑有效性与总成本，观察管直径的分散分布。所有帕累托点的管数分布如图11所示。在四目标优化的情况下观察到管的数量分散。 在双目标优化的情况下，管径散布分布为：（i）有效性与总成本（ii）有效性与熵产生单元的数量（iii）总成本与压降的关系以及（iv）压降与熵产单元的数量之间的关系，因此，管数对多目标优化更为敏感。 表10.压降计划中的样本设计点（A-E）的最优参数和熵生成单元的数量ABCDEX1X2Y1Y2管径（mm）11.212.911.215.313.715.315.311.211.2管数252259268184100100176281341管长（m）3.43333333.73.6管节距比1.261.251.521.951.41.251.251.25挡板切割比例0.190.220.20.190.320.20.250.190.19挡板间距比0.20.20.210.21.40.220.20.20.2效用0.50880.45260.37270.21560.07280.24680.36820.55840.5789总成本（$）21383.919850.218193.916544.513922.115323.118014.322649.723324.9压降（Pa）38972.922410.913934.83368.79086.219281.619443.335925.928296.2生成单元熵的数量0.00270.00240.00220.00140.00060.00160.00210.00280.0028图9. 帕累托解的3D呈现表11许多客观优化结果的决策 LINMAPTOPSISFUZZY管径（mm）13.11215.3管数449466400管长（m）333管节距比1.251.251.25挡板切割比例0.190.320.19挡板间距比0.20.20.2效用0.54080.50970.5025总成本（$）24058.623618.824100.3压降（Pa）11681.712914.97808.6生成单元熵的数量0.00260.00260.0025图10.4目标和2目标优化的管径分布 图11.4个分配目标和2个目标的管子数量优化图12-14分别显示了所有设计点的管子长度，管子节距比和挡板间隔比的分布。这些设计变量的主要影响是在同时优化（i）有效性与压降和（ii）有效性与熵生成单元的数量。应有对这种冲突的影响，这些设计变量的分散分布在多目标优化中被观察。最后，所有帕累托点的挡板切割比的分布如图15所示，从图中可以看出，挡板切割比的散布分布在有效性与熵生成单元的数量上是一致的。由此，在多目标优化中观察到挡板切割比的分布的变化。图12.4个分配目标和2个目标优化的管长分布 图13.4个分配目标和2个目标的管间距比的分布优化图14.4个分配目标和2个目标优化的挡板间隔比的分布图15.4个分配目标和2个目标挡板切割比的分布优化7.结论在目前的工作中，多目标传输搜索（MOHTS）算法已经开始解决多目标优化的问题，对算法的能力进行了优化，几何参数的六个设计变量被用于优化，针对相互联系的目标获得一组帕累托最优点，多目标优化的帕累托最优点被表示为任何目标的二维客观空间以及相应目标的帕累托最优点。因此，本文提出了两个目标函数的不同组合方案，利用包括LINMAP，TOPSIS和Fuzzy在内的三种决策方法，从帕累托最优点中选出最终的最优解。此外，还显示了每个设计变量在其允许范围内的分布情况。结果揭示了这四个目标之间的相互关系，管子数量，管子长度，管子节距比和挡板间距等几何参数导致目标函数之间存在较强的联系。最后观察多目标方法和STHE的理想设计方法，并相互进行比较。参考文献：1 R.K. Shah, P. Sekulic, Fundamental of Heat Exchanger Design, John Wiley & Sons, 20032 R. Selbas, O. Kzlkan, M. Reppich, A new design approach for shell-and-tube heat exchangers using genetic algorithms from economic point of view, Chem. Eng. Process. 45 (2006) 268275. 3 D.K. Mohanty, Gravitational search algorithm for economic optimization design of a shell and tube heat exchanger, Appl. Therm. Eng. 107 (2016) 184193. 4 J.Y.Q. Wong, S. Sharma, G.P. Rangaiah, Design of shell-and-tube heat exchangers for multiple objectives using elitist non-dominated sorting genetic algorithm with termination criteria, Appl. Therm. Eng. 93 (2016) 888899. 5 M. Amini, M. Bazargan, Two objective optimization in shell-and-tube heat exchangers using genetic algorithm, Appl. Therm. Eng. 69 (2014) 278285. 6 A. Hadidi, A. Nazari, Design and economic optimization of shell-and-tube heat exchangers using biogeography-based (BBO) algorithm, Appl. Therm. Eng. 51 (2013) 12631272. 7 R.V. Rao, V.K. Patel, Multi-objective optimization of heat exchangers using a modified teaching-learning-based optimization algorithm, Appl. Math. Model. 37 (2013) 11471162. 8 J. Wen, H. Yang, G. Jian, X. Tong, K. Li, S. Wang, Energy and cost optimization of shell and tube heat exchanger with helical baffles using Kriging meta-model based on MOGA, Int. J. Heat Mass Transfer 98 (2016) 2939. 9 J. Guo, M. Xu, L. Cheng, The application of field synergy number in shell-andtube heat e xchanger optimization design, Appl. Energy 86 (10) (2009) 2079 2087. 10 A.C. Caputo, P.M. Pelagagge, P. Salini, Manufacturing cost model for heat exchangers optimization, Appl. Therm. Eng. 94 (2016) 513533. 11 H. Hajabdollahi, M. Naderi, S. Adimi, A comparative study on the shell and tube and gasket-plate heat exchangers: the economic viewpoint, Appl. Therm. Eng. 92 (2016) 271282. 12 R. Khosravi, A. Khosravi, S. Nahavandi, H. Hajabdollahi, Effectiveness of evolutionary algorithms for optimization of heat exchangers, Energy Convers Manage. 89 (2015) 281288. 13 H. Sadeghzadeha, M.A. Ehyaeib, M.A. Rosen, Techno-economic optimization of a shell and tube heat exchanger by genetic and particle swarm algorithms, Energy Convers Manage. 93 (2015) 8491. 14 M. Yousefi, J.H. Kim, D. Hooshyar, M. Yousefi, K.S.M. Sahari, R.B. Ahmad, A practical multi-objective design approach for optimum exhaust heat recovery from hybrid stand-alone PV-diesel power systems, Energy Convers Manage. 142 (2017) 559573. 15 H. Hajabdollahi, Z. Hajabdollahi, Assessment of nanoparticles in thermoeconomic improvement of shell and tube heat exchanger, Appl. Therm. Eng. 106 (2016) 827837. 16 M. Yousefi, D. Hooshyar, J.H. Kim, H. Lim, Modeling and thermo-economic optimization of a biomass heat recovery exchanger operating on Al2O3-water nanofluid, Int. Commun. Heat Mass 82 (2017) 6373. 17 R.V. Rao, V.K. Patel, Design optimization of shell-and-tube heat exchanger using swarm optimization algorithms, Proc. Inst. Mech. Eng. A-J. Power Energy 225 (5) (2011) 619634. 18 V.K. Patel, R.V. Rao, Design optimization of shell-and-tube heat exchanger using particle swarm optimization technique, Appl. Therm. Eng. 30 (2010) 14171425. 19 H. Hajabdollahi, Exergetic optimization of shell-and-tube heat exchanger using NSGA-II, Heat Transfer Eng. 33 (2012) 618628. 20 D.K. Mohanty, Application of firefly algorithm for design optimization of a shell and tube heat exchanger from economic point of view, Int. J. Therm. Sci. 102 (2016) 228238.21 A. Hadidi, M. Hadidi, A. Nazari, A new design approach for shell-and-tube heat exchangers using imperialist competitive algorithm (ICA) from economic point of view, Energy Convers Manage. 67 (2013) 6674. 22 H. Hajabdollahi, P. Ahmadi, I. Dincer, Thermo-economic optimization of a shell and tube condenser using both genetic algorithm and particle swarm, Int. J. Refrig. 34 (4) (2011) 10661076. 23 L. Sun, X. Luo, Y. Zhao, Synthesis of multipass heat exchanger network with the optimal number of shells and tubes based on pinch technology, Chem. Eng. Res. Des. 93 (2015) 185193. 24 S. Sanaye, H. Hajabdollahi, Multi-objective optimization of shell and tube heat exchangers, Appl. Therm. Eng. 30 (2010) 19371945. 25 A. Agarwal, S.K. Gupta, Jumping gene adaptations of NSGA-II and their use in the multi-objective optimal design of shell and tube heat exchangers, Chem. Eng. Res. Des. 86 (2) (2008) 123139. 26 M. Yousefi, R. Enayatifar, A.N. Darus, Optimal design of plate-fin heat exchangers by a hybrid evolutionary algorithm, Int. Commun. Heat Mass 39 (2012) 258263. 27 M. Yousefi, R. Enayatifar, A.N. Darus, A.H. Abdullah, Optimization of plate-fin heat exchangers by an improved harmony search algorithm, Appl. Therm. Eng. 50 (2013) 877885. 28 M. Yousefi, A.N. Darus, H. Mohammadi, An imperialist competitive algorithm for optimal design of plate-fin heat exchangers, Int. J. Heat Mass Transfer 55 (2012) 31783185. 29 M. Yousefi, R. Enayatifar, A.N. Darus, A.H. Abdullah, A robust learning based evolutionary approach for thermal-economic optimization of compact heat exchangers, Int. Commun. Heat Mass 39 (2012) 16051615. 30 M. Yousefi, A.N. Darus, D. Hooshyar, Mul