A hybrid Computational Fluid Dynamics – Deep Learning method for predicting the performance of cyclone separators

Abstract

Cyclone separators play a critical role in a variety of industries to separate solid particles from the transporting fluid on account of their simple geometries and cost-effective in manufacturing and operation. In contrast to cyclone geometry simplicity, the flow inside is an extremely three dimensional complicated swirling flow. The two-phase flow inside a cyclone separator is also strongly whirling, turbulent and greatly anisotropic. The pressure drop and cut-off diameter are widely recognized as the most important parameters to evaluate the performance of cyclone separators. Computational Fluid Dynamics (CFD) is a powerful method to predict the performance and flow behaviors of cyclone separators. There is no arguing, however, that the CFD technique is computationally expensive and practically difficult. This dissertation has proposed a more accurate, computationally efficient hybrid method to predict cyclone performance by combining CFD and Deep Learning (DL) algorithms. The cyclone performance has been predicted using CFD with coarse-grid to minimize computational cost. Afterward, a "correction term" derived from trained the DL model has been added to increase the CFD prediction's accuracy. In CFD, the gas phase is turbulent and modeled by the Reynolds Stress Model (RSM), while the particle phase (solid phase) is solved by tracking an enormous number of particles using the Discrete Phase Model (DPM). In DL, many trial DNN models were performed to satisfy the user-desired criteria in order to determine the DNN architecture and topology parameters, based on the author's experience and the trial and error method. The criteria used in this study is the mean absolute relative errors of the train dataset being less than 5%. K-fold cross validation was also used to validate the generalization of the algorithm. The results have been proved that the proposed hybrid method not only predicts cyclone performance accurately (with a maximum error less than 5% and 6% in comparison with experimental data for pressure drop and cut-off diameter, respectively), but also requires less computational time than traditional CFD. In other words, it leverages the potential of novel approach to decrease CFD computational cost while increasing the accuracy level.|사이클론 분리기는 구조가 단순하고 제조 및 작동에서 비용 효율적이라는 점 때문에 운송 유체에서 고체 입자를 분리하는 다양한 산업에서 중요한 역할을 합니다. 사이클론 기하학의 단순성과 달리 내부의 흐름은 극도로 복잡한 3차원 소용돌이 흐름입니다. 싸이클론 분리기 내부의 2상 흐름도 강하게 소용돌이치고, 난류이며, 이방성이 큽니다. 압력 강하 및 컷오프 직경은 사이클론 분리기의 성능을 평가하는 가장 중요한 매개변수로 널리 인식되고 있습니다. 전산유체역학(CFD)은 사이클론 분리기의 성능과 흐름 거동을 예측하는 강력한 방법입니다. 그러나 CFD 기법이 계산 비용이 많이 들고 실질적으로 어렵다는 점에는 논쟁의 여지가 없습니다. 본 논문에서는 CFD와 DL(Deep Learning) 알고리즘을 결합하여 사이클론 성능을 예측하는 보다 정확하고 계산적으로 효율적인 하이브리드 방법을 제안했습니다. 사이클론 성능은 계산 비용을 최소화하기 위해 성긴 격자가 있는 CFD를 사용하여 예측되었습니다. 그 후 CFD 예측의 정확도를 높이기 위해 학습된 DL 모델에서 파생된 "보정 항"이 추가되었습니다. CFD에서 기체상은 난류이며 Reynolds Stress Model(RSM)에 의해 모델링되는 반면, 입자상(고체상)은 Discrete Phase Model(DPM)을 사용하여 엄청난 수의 입자를 추적하여 해결됩니다. DL에서는 작성자의 경험과 시행 착오 방법을 기반으로 DNN 아키텍처 및 토폴로지 매개 변수를 결정하기 위해 사용자가 원하는 기준을 만족시키기 위해 많은 시험 DNN 모델을 수행했습니다. 이 연구에서 사용된 기준은 기차 데이터 세트의 평균 절대 상대 오차가 5% 미만이라는 것입니다. 알고리즘의 일반화를 검증하기 위해 K-겹 교차 검증도 사용되었습니다. 그 결과 제안된 하이브리드 방법이 사이클론 성능을 정확하게 예측할 뿐만 아니라(압력 강하 및 컷오프 직경에 대한 실험 데이터와 비교하여 최대 오차가 각각 5% 및 6% 미만) 계산이 덜 필요함을 입증했습니다. 기존 CFD보다 시간이 더 걸립니다. 즉, 정확도 수준을 높이면서 CFD 계산 비용을 줄이는 새로운 접근 방식의 잠재력을 활용합니다.