大数据-算法-水平圆管自然对流换热的剪切干涉测温数值和实验研究.pdf

【大数据在自然对流换热研究中的应用】 大数据在各个领域的应用日益广泛，其中包括科学研究，尤其是在热力学和流体力学领域。本论文聚焦于大数据在分析水平圆管自然对流换热过程中的作用，这是一种常见于工业应用的现象。自然对流换热的研究对于优化能源效率和设备设计至关重要。 传统的自然对流研究通常依赖于实验方法、数值模拟和理论分析。实验方法直接观察物理现象，但可能受到探头介入的干扰；数值模拟通过直接求解Navier-Stokes方程和能量方程来预测流体流动和热传递；理论分析则通过简化边界层方程来寻求解析解。然而，这些方法在处理复杂情况，如大空间水平圆管的自然对流时，可能会遇到挑战。 论文中提到的横向剪切干涉测温技术是一种先进的光学测量手段，尤其适用于非接触式的温度场测量。这种技术通过共光路的干涉法，无需参考波面，抗干扰能力强，可以实时获取干涉条纹，进而推算温度信息。横向剪切干涉在小剪切量下需要进行相位重建，而在大剪切量下，干涉图像可以直接解析，类似马赫-曾德干涉仪的效果。 论文进行了两端开放的有限长水平圆管的实验研究，使用大剪切量的横向剪切干涉装置记录了不同壁温下的实时干涉条纹。考虑到圆管两端的端部效应，提出了修正系数以改善“一维无限长”假设的局限性，从而得到更准确的温度反演结果。在壁温介于30℃到95℃的范围内，使用特定的端部效应修正系数可提高温度测量的精度。 此外，论文还利用不可压理想气体模型和Boussinesq假设进行数值模拟，模拟自然对流下的温度场，并结合实验数据反演剪切干涉条纹。模拟条纹与实验结果的对比进一步验证了该方法的有效性。在高温情况下，如壁温高达450℃，传统方法可能因干涉条纹过于密集而难以解析，但横向剪切干涉技术仍然能获取可靠的数据。 通过大数据的处理和分析，本研究揭示了端部效应在不同条件下对自然对流换热的影响。在两端绝热的情况下，端部效应相对较小，而在非绝热情况下，这种效应显著增强，需要更精确的计算来考虑附加影响。这些发现对于理解和改进水平圆管自然对流换热的模型预测，以及优化相关工程设计具有重要意义。 关键词：水平圆管、自然对流、横向剪切干涉、剪切量、条纹、端部效应、温度场