1 of 14

Algoritmos Genéticos aplicados a la optimización de parámetros en un dispositivo termoacústico

Inteligencia Artificial

2 of 14

Las fuentes de energía libre de emisiones y de bajo costo están recibiendo mayor atención dados sus beneficios no sólo para con el medio ambiente sino también para la sociedad. Las tecnologías de recuperación del calor se destacan dentro de este grupo debido al amplio abanico de escenarios distintos donde pueden aplicarse.

3 of 14

El motor Stirling (Robert Stirling, 1816) convierte la energía térmica en energía cinética al calentar y enfriar el gas de trabajo sellado en los cilindros. La eficiencia térmica del ciclo de Stirling es tan alta como el ciclo de Carnot, que teóricamente tiene la mayor eficiencia térmica.

4 of 14

Motor Stirling con baja diferencia de temperatura

(Ivo Kolin 1983)

Este motor funciona con una diferencia de temperatura de solo 15 °C.

En 1992 James Senft creó un motor Stirling ultra LTD que funciona con una diferencia de temperatura de 0.5 °C [Developing and testing low cost LTD Stirling engines. G. Aragón-González∗, M. Cano-Blanco, A. Canales-Palma, and A. León-Galicia. Senft,R.James,RingbomStirlingEngines,(OxfordUniversity Press, New York, 1993)].

By File:Kolin1.PNG Pedro Servera, Animation User:MichaelFrey - selbst ersteller, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=37394502

5 of 14

Motor Termoacústico (TAHE)

El motor termoacústico (thermoacoustic heat engine TAHE) es una de las tantas tecnologías de recuperación de calor que permite, mediante una diferencia de temperatura, generar una onda sonora que puede utilizarse para diversos fines, entre ellos accionar un refrigerador, generar electricidad, etc.

​

Para llevar a cabo todos los experimentos es necesario contar con un modelo de TAHE geométricamente correcto, cuyos parámetros sean físicamente consistentes. Es un diseño de motor termoacústico de onda estacionaria simple, formado sólo por los componentes esenciales:

​

  • un ducto inicial
  • dos intercambiadores de calor.
  • un material sólido y poroso entre ellos (denominado stack).
  • un resonador final.

6 of 14

Motor Termoacústico (TAHE)

  • Desventajas
  • Ventajas
    • Geométricamente simple
    • Utiliza calor residual y energías renovables
    • Fuente de energía limpia
    • Construcción y mantenimiento económico
    • Comportamiento complejo
    • Dificultad para lograr un diseño funcional
    • Ausencia de modelos ya diseñados

7 of 14

  • Motor termoacústico de onda estacionaria
    • Tamaño del resonador: 92.5 cm.
    • Diámetro: 12,7 cm
    • Materiales: acero inoxidable, stack cerámico, mezcla de gases (aire, helio, argón)
    • Poder acústico generado: 27 W
    • ΔT: 175°C (227°C - 52°C)
    • Frecuencia: 202,5 Hz
    • Presión media: 100000 Pa (98% presión atmosférica)
    • Modelo implementado

Modelo de Referencia

8 of 14

Parámetro

Valor mínimo

Valor máximo

Incremento

Unidad

Presión media

0

200000

10000

Pa

Fase de la presión

13000

23000

1000

Pa

Largo del ducto inicial

0

0,25

0,01

m

Largo del intercambiador

de calor (de entrada o caliente)

0,006

0,016

0,001

m

Largo del stack

0,022

0,036

0,001

m

Largo del intercambiador

de calor (de salida o frío)

0,006

0,016

0,001

m

Largo del ducto final (resonador)

0

3

0,1

m

Modelo

Motor termoacústico simple:

ducto inicial, intercambiador de calor (caliente), stack, intercambiador de calor (frío), ducto final

9 of 14

Simulación

Q-Learning

Algoritmos Genéticos

DeltaEC

DeltaEC: Design Environment for Low-amplitude ThermoAcoustic Energy Conversion.

DeltaEC puede predecir cómo un determinado aparato ter-moacústico se desempeñará, o puede permitir al usuario di-señar un aparato para alcanzar un desempeño deseado.

10 of 14

  • Individuos: se representaron como una lista de siete valores, correspondientes a cada uno de los parámetros variables definidos en el motor termoacústico.
  • Población inicial: compuesta por veinte individuos, una mitad la conformaron los mejores modelos de TAHEs logrados durante la etapa previa, mientras que la otra se compuso de individuos generados aleatoriamente.
  • Función de aptitud (fitness): DeltaEC

Algoritmos Genéticos I

11 of 14

  • Operadores genéticos de selección
    • Ruleta
    • “Ruleta elitista”
    • Truncamiento con selección aleatoria y mutación
  • Operadores genéticos de cruzamiento
    • Entrecruzamiento en un punto: un descendiente por cada uno.
    • Entrecruzamiento en un punto: dos descendientes por cada apareamiento.
  • Operadores genéticos de mutación
    • Selección aleatoria de un gen.

Algoritmos Genéticos II

12 of 14

  • Resultados
    • El valor de aptitud promedio de la población luego de 20 generaciones fue de 233,6 W.
    • El individuo más apto corresponde a un motor termoacústico capaz de generar 241,5 W de poder acústico (referencia: 27 W).
    • La población final posee una muy baja diversidad genética, estando conformada por cuatro individuos distintos repetidos múltiples veces.
    • Los mejores resultados se obtuvieron utilizando Ruleta Elitista en combinación con entrecruzamiento en un punto (dos des-cendientes por apareamiento) y una probabilidad de mutación de 5%

Algoritmos Genéticos II

Algoritmos Genéticos III

13 of 14

  • Técnicas de IA simples permiten obtener buenos resultados en problemas complejos.
  • Importancia de la definición del problema en términos de RL.
  • Los AG resultan una herramienta muy poderosa en problemas como el planteado, aún cuando se realizan pocas evoluciones sobre una población pequeña.

Conclusiones

14 of 14

Referencias

​

“Design and optimization of a thermoacoustic heat engine using reinforcement learning”

Universidad Brunel, Londres, 2014

Problema de optimización

Planteo del problema en términos de Q-Learning

Dominio de las variables

​

“Experimental Investigation on a Standing-Wave Thermoacoustic Engine”

Universidad de El Cairo, 2013

Modelo DeltaEC de un TAHE funcional

Motor termoacústico de referencia