Published September 1, 2023 | Version v1
Publication Metadata-only

Artificial neural network-based optimization of baffle geometries for maximized heat transfer efficiency in microchannel heat sinks

Creators

  • 1. Northeast Petroleum University
  • 2. GLA University
  • 3. Jubail Industrial College
  • 4. Qassim University
  • 5. King Khalid University
  • 6. Future University in Egypt

Description

Microchannel heat sinks (MCHSs) are widely utilized in various industries, including electronics, power systems, and aerospace, to dissipate heat generated by high-power components effectively. The efficient cooling of these devices is crucial for maintaining their optimal performance, reliability, and longevity. This research aimed to augment the overall efficiency of the MCHS by utilizing 25 baffles with varying geometric parameters. The aim was to identify the optimum geometry for these baffles using an Artificial Neural Network (ANN) model. The ANN model was applied to propose two optimal designs for the baffles, specifically targeting the maximum Nusselt number and overall performance of the MCHS. It was noticed that the vertical pitch of the baffles "d" had the most substantial influence on the device's behavior among the investigated geometric parameters. The higher value of "d" allowed the fluid to spread over the entire space of the heat sink rather than being confined to a specific area. This spreading effect enabled the fluid to contact all the baffles and channel walls, facilitating efficient heat transfer. The applied ANN model with R2 values of about 0.98 and lower values of MAE and RMSE successfully fitted the data. The findings of this study demonstrated that applying the specified input variables (horizontal pitch of 8.496 mm, vertical pitch of 5 mm, and attack angle of 210. 560°), as defined in the optimal overall design, in manufacturing of the baffles resulted in a remarkable enhancement of about 46% in the overall performance of the MCHS in comparison with the design proposed in the reference paper. The heat transfer improvement of the MCHS with baffles were due to the vortices in the baffles bring about chaotic advection and could greatly enhance the convective fluid mixing.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تستخدم أحواض الحرارة ذات القنوات الدقيقة (MCHSs) على نطاق واسع في مختلف الصناعات، بما في ذلك الإلكترونيات وأنظمة الطاقة والفضاء، لتبديد الحرارة الناتجة عن المكونات عالية الطاقة بشكل فعال. يعد التبريد الفعال لهذه الأجهزة أمرًا بالغ الأهمية للحفاظ على أدائها الأمثل وموثوقيتها وطول عمرها. يهدف هذا البحث إلى زيادة الكفاءة الإجمالية لـ MCHS من خلال استخدام 25 حاجزًا بمعلمات هندسية مختلفة. كان الهدف هو تحديد الهندسة المثلى لهذه الحواجز باستخدام نموذج الشبكة العصبية الاصطناعية (ANN). تم تطبيق نموذج ANN لاقتراح تصميمين مثاليين للحواجز، يستهدفان على وجه التحديد الحد الأقصى لعدد Nusselt والأداء العام لـ MCHS. ولوحظ أن الملعب الرأسي للحواجز "d" كان له التأثير الأكبر على سلوك الجهاز بين المعلمات الهندسية التي تم فحصها. سمحت القيمة الأعلى لـ "d" بانتشار السائل على كامل مساحة المشتت الحراري بدلاً من حصره في منطقة معينة. مكن تأثير الانتشار هذا السائل من ملامسة جميع الحواجز وجدران القنوات، مما يسهل نقل الحرارة بكفاءة. نجح نموذج ANN المطبق بقيم R2 تبلغ حوالي 0.98 وقيم أقل من MAE و RMSE في تركيب البيانات. أظهرت نتائج هذه الدراسة أن تطبيق متغيرات المدخلات المحددة (درجة الميل الأفقية 8.496 مم، ودرجة الميل الرأسي 5 مم، وزاوية الهجوم 210.560درجة)، كما هو محدد في التصميم العام الأمثل، في تصنيع الحواجز أدى إلى تعزيز ملحوظ بنحو 46 ٪ في الأداء العام لـ MCHS مقارنة بالتصميم المقترح في الورقة المرجعية. يرجع تحسين نقل الحرارة في MCHS مع الحواجز إلى أن الدوامات في الحواجز تؤدي إلى انحراف فوضوي ويمكن أن تعزز بشكل كبير من خلط السائل الحملي.

Translated Description (French)

Les dissipateurs thermiques à microcanaux (MCHS) sont largement utilisés dans diverses industries, notamment l'électronique, les systèmes d'alimentation et l'aérospatiale, pour dissiper efficacement la chaleur générée par les composants de haute puissance. Le refroidissement efficace de ces appareils est crucial pour maintenir leurs performances, leur fiabilité et leur longévité optimales. Cette recherche visait à augmenter l'efficacité globale du MCHS en utilisant 25 chicanes avec des paramètres géométriques variables. L'objectif était d'identifier la géométrie optimale de ces chicanes à l'aide d'un modèle de réseau neuronal artificiel (RNA). Le modèle ANN a été appliqué pour proposer deux conceptions optimales pour les chicanes, ciblant spécifiquement le nombre maximal de Nusselt et la performance globale du MCHS. Il a été remarqué que le pas vertical des chicanes "d" avait l'influence la plus importante sur le comportement de l'appareil parmi les paramètres géométriques étudiés. La valeur plus élevée de « d » a permis au fluide de se répandre sur tout l'espace du dissipateur thermique plutôt que d'être confiné à une zone spécifique. Cet effet d'étalement a permis au fluide d'entrer en contact avec toutes les chicanes et les parois des canaux, facilitant ainsi un transfert de chaleur efficace. Le modèle ANN appliqué avec des valeurs R2 d'environ 0,98 et des valeurs inférieures de MAE et RMSE a réussi à ajuster les données. Les résultats de cette étude ont démontré que l'application des variables d'entrée spécifiées (pas horizontal de 8,496 mm, pas vertical de 5 mm et angle d'attaque de 210,560 °), telles que définies dans la conception globale optimale, dans la fabrication des chicanes a entraîné une amélioration remarquable d'environ 46% de la performance globale du MCHS par rapport à la conception proposée dans l'article de référence. L'amélioration du transfert de chaleur du MCHS avec des chicanes était due aux tourbillons dans les chicanes qui provoquent une advection chaotique et pourraient grandement améliorer le mélange convectif des fluides.

Translated Description (Spanish)

Los disipadores de calor de microcanales (MCHS) se utilizan ampliamente en diversas industrias, como la electrónica, los sistemas de energía y la industria aeroespacial, para disipar eficazmente el calor generado por los componentes de alta potencia. La refrigeración eficiente de estos dispositivos es crucial para mantener su rendimiento, fiabilidad y longevidad óptimos. Esta investigación tuvo como objetivo aumentar la eficiencia general del MCHS mediante la utilización de 25 deflectores con diferentes parámetros geométricos. El objetivo era identificar la geometría óptima para estos deflectores utilizando un modelo de Red Neuronal Artificial (ANN). El modelo ANN se aplicó para proponer dos diseños óptimos para los deflectores, dirigidos específicamente al número máximo de Nusselt y al rendimiento general del MCHS. Se observó que el paso vertical de los deflectores "d" tuvo la influencia más sustancial en el comportamiento del dispositivo entre los parámetros geométricos investigados. El valor más alto de "d" permitió que el fluido se extendiera por todo el espacio del disipador de calor en lugar de limitarse a un área específica. Este efecto de dispersión permitió que el fluido entrara en contacto con todos los deflectores y las paredes del canal, lo que facilitó una transferencia de calor eficiente. El modelo ANN aplicado con valores de R2 de aproximadamente 0,98 y valores inferiores de MAE y RMSE se ajustó correctamente a los datos. Los hallazgos de este estudio demostraron que la aplicación de las variables de entrada especificadas (paso horizontal de 8,496 mm, paso vertical de 5 mm y ángulo de ataque de 210,560 °), como se define en el diseño general óptimo, en la fabricación de los deflectores resultó en una mejora notable de alrededor del 46% en el rendimiento general del MCHS en comparación con el diseño propuesto en el documento de referencia. La mejora de la transferencia de calor del MCHS con deflectores se debió a que los vórtices en los deflectores provocan una advección caótica y podrían mejorar en gran medida la mezcla de fluidos convectivos.

Additional details

Additional titles

Translated title (Arabic)
التحسين القائم على الشبكة العصبية الاصطناعية لهندسة الحواجز لتحقيق أقصى قدر من كفاءة نقل الحرارة في المصارف الحرارية للقنوات الدقيقة
Translated title (French)
Optimisation basée sur un réseau de neurones artificiels des géométries des chicanes pour une efficacité maximale du transfert de chaleur dans les dissipateurs thermiques à microcanaux
Translated title (Spanish)
Optimización basada en redes neuronales artificiales de geometrías de deflectores para maximizar la eficiencia de transferencia de calor en disipadores de calor de microcanales

Identifiers

Other
https://openalex.org/W4385192028
DOI
10.1016/j.csite.2023.103331

Is supplement to
https://openalex.org/W4365803907 (Other)
https://openalex.org/W4280582257 (Other)
https://openalex.org/W3174700169 (Other)
https://openalex.org/W3018812938 (Other)
https://openalex.org/W3014524328 (Other)
https://openalex.org/W2918184718 (Other)
https://openalex.org/W2744687547 (Other)
https://openalex.org/W2103006891 (Other)
https://openalex.org/W2048089976 (Other)
https://openalex.org/W2020462189 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Egypt

References

  • https://openalex.org/W1992290422
  • https://openalex.org/W2015010077
  • https://openalex.org/W2027012708
  • https://openalex.org/W2062864628
  • https://openalex.org/W2090811425
  • https://openalex.org/W2156259175
  • https://openalex.org/W2606388304
  • https://openalex.org/W2622833484
  • https://openalex.org/W2792991742
  • https://openalex.org/W2939667225
  • https://openalex.org/W2950387247
  • https://openalex.org/W2969540407
  • https://openalex.org/W2973716647
  • https://openalex.org/W2993200126
  • https://openalex.org/W3015261038
  • https://openalex.org/W3136030159
  • https://openalex.org/W3169726955
  • https://openalex.org/W3205401852
  • https://openalex.org/W3207823728
  • https://openalex.org/W3209621548
  • https://openalex.org/W3211049667
  • https://openalex.org/W4214930753
  • https://openalex.org/W4220717841
  • https://openalex.org/W4220848532
  • https://openalex.org/W4224091379
  • https://openalex.org/W4286436564
  • https://openalex.org/W4287889575
  • https://openalex.org/W4295009084
  • https://openalex.org/W4295962193
  • https://openalex.org/W4296400697
  • https://openalex.org/W4302774285
  • https://openalex.org/W4307042087
  • https://openalex.org/W4308544318
  • https://openalex.org/W4309264087
  • https://openalex.org/W4309635568
  • https://openalex.org/W4310019796
  • https://openalex.org/W4310243220
  • https://openalex.org/W4311818991
  • https://openalex.org/W4313538735
  • https://openalex.org/W4313546641
  • https://openalex.org/W4313559402
  • https://openalex.org/W4313680864
  • https://openalex.org/W4317402169
  • https://openalex.org/W4320477463
  • https://openalex.org/W4320479156
  • https://openalex.org/W4321014590
  • https://openalex.org/W4321349810
  • https://openalex.org/W4321378801
  • https://openalex.org/W4321764313
  • https://openalex.org/W4321793745
  • https://openalex.org/W4322102337
  • https://openalex.org/W4322489266
  • https://openalex.org/W4322740803
  • https://openalex.org/W4322762725
  • https://openalex.org/W4327545557
  • https://openalex.org/W4327569203
  • https://openalex.org/W4361278192
  • https://openalex.org/W4361279970
  • https://openalex.org/W4362593190
  • https://openalex.org/W4363649799
  • https://openalex.org/W4366148824
  • https://openalex.org/W4367301550
  • https://openalex.org/W4367624323
  • https://openalex.org/W4376105086
  • https://openalex.org/W4376114615
  • https://openalex.org/W4377101649