بهينه‌سازي عملكرد آب‌ شيرين‌كن تقطيري چند مرحله اي-تراكم بخار حرارتي با استفاده از الگوريتم ژنتيك

Performance Optimization of Multi-Effect Distillation-Thermal Vapor Compression Desalination Using Genetic Algorithm

در اين مطالعه، يك واحد شيرين سازي تقطير چند مرحله اي با متراكم كننده ي حرارتي بخار با چيدمان سري -موازي در نرم افزار متلب شبيه سازي شده است. اولين گام تعيين پارامترهاي مؤثر بر عملكرد سيستم شامل دبي جرمي بخار محرك، دماها و ابعاد سيستم مي باشد. مقايسه نتايج شبيه سازي مطالعه حاضر با داده هاي واقعي يك سيستم شيري نسازي واقعي، سازگاري خوبي نشان مي دهد. سپس تأثير پارامترهاي مختلف از قبيل تعداد مراحل، نسبت اختلاط، دماي بخار گر م كننده و دماي بخار مرحله ي اول بر پارامترهاي طراحي سيستم بررسي مي گردد. نتايج نشان مي دهد كه افزايش دماي بخار گرم كننده، دماي بخار مرحله اول و نسبت اختلاط موجب كاهش ضريب عملكرد م يگردد. در ادامه عملكرد سيستم در دو حالت مختلف دريافت بخار ثانويه از مرحله آخر و دريافت اين بخار از تمام مراحل مورد بررسي قرار مي گيرد و مشاهده مي شود كه با تأمين بخار ثانويه از آخرين اواپراتور، ضريب عملكرد و سطح مخصوص انتقال حرارت افزايش بيشتري دارد. در نهايت، بهينه سازي اين سيستم با استفاده از الگوريتم ژنتيك انجام مي شود و بر اساس آن مناسب ترين پارامترهاي ورودي (دماي آب تغذيه، دماي بخارآب خروجي از اجكتور، دماي اولين و آخرين اواپراتور) براي داشتن بالاترين ضريب عملكرد ممكن و كم ترين مصرف حرارت مخصوص تعيين مي گردد. نتايج بهينه سازي نشان مي دهد كه مي توان براي سيستم شيرين سازي با 10 مرحله، شامل 10 اواپراتور كه تبخير آب شور درون آ نها صورت مي گيرد، به ضريب عملكردي بالاتر از 17 و مصرف حرارت مخصوص كمتر از 107kJ/kg دست يافت.

In the present study, a MATLAB computer code has been prepared for the simulation of a multi-effect desalination unit with thermal vapor compression. The first step is to obtain the parameters’ effect on the performance, including motive steam flow rate, temperatures, and dimensions of the system. Comparison of the present simulation results with the data reported for an actual desalination system shows a good consistency. System performance in two different cases of extracted secondary vapor from the last effect and all effects is investigated. It is observed that a higher performance ratio and specific heat transfer area are obtained by receiving secondary vapor from the last effect. Finally, the genetic algorithm is used to maximize the performance ratio of the system which is considered as the fitness function. Optimization results show that one can achieve a performance ratio higher than 17 and specific heat consumption less than 107 kJ/kg for a system with 10 effects.