یک مدل پیش‌بینی سایش ذرات جامد درون زانویی استاندارد در جریان چندفازی با الگوی کف‌آلود

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 دانشجوی دکتری، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

3 استاد، گروه مهندسی مکانیک، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران

10.22078/pr.2021.4347.2970

چکیده

در این مقاله یک مدل جدید برای پیش‌بینی میزان سایش درون زانویی استاندارد برای الگوی جریانی کف‌آلود توسعه داده شده است. با استفاده از آنالیز ابعادی، گروه‌های بی‌بعد حاکم بر پدیده سایش به صورت پارامترهای نسبت سرعت‌های ظاهری گاز به مایع (V_SG/V_SL )، عدد رینولدز بر حسب خواص میانگین مایع و گاز (〖Re〗_m )، نسبت قطر ذره به قطر زانویی (d_p/D) و پارامتر بی‌بعد سایش (ER ρ_G D^2 ) استخراج شده‌اند. سپس با استفاده از تکنیک رگرسیون فرآیند گوسی، یک مدل پارامتریک پیش‌بینی میزان سایش بین پارامترهای بی‌بعد برقرار شده است. در مدل ارائه شده، پارامتر بی‌بعد نسبت سرعت‌های ظاهری گاز به مایع به عنوان فاکتور انحراف جریان کف‌آلود از خواص میانگین جریان دو فازی و تاثیر آن در میزان سایش لحاظ گردیده است. برای شرایط مختلف سرعت‌های ظاهری مایع و گاز، قطر ذره و ویسکوزیته مایع، نتایج حاصل از مدل با داده‌های تجربی اعتبارسنجی شده است. z نشان می‌دهند بیش از 87 درصد پیش‌بینی‌های حاصل از مدل، خطای کمتر از 30 درصد دارند. همچنین، با مقایسه عملکرد مدل با مدل‌های پیشین موجود، مشاهده شده میزان خطای مدل ارائه شده نسبت به داده‌های تجربی، خیلی کمتر از سایر مدل‌های موجود می‌باشد. این نتایج دقت و کارایی مدل ارائه شده در پیش‌بینی میزان سایش برای الگوی جریانی کف‌آلود را نشان می‌دهد. در نهایت، مدل ارائه شده جهت استخراج سرعت‌های مجاز مایع و گاز در الگوی جریانی کف‌آلود بکار گرفته شده است. تاثیر پارامترهای مختلف نظیر اندازه زانویی و ذره، ویسکوزیته مایع و فشار جریان گاز بر میزان سایش و سرعت‌ مجاز سیال در جریان کف‌آلود بررسی و تحلیل شده است.

کلیدواژه‌ها


عنوان مقاله [English]

A Correlation for Solid Particle Erosion in Standard Elbows for Churn Flow

نویسندگان [English]

  • Seyed Saied Bahrainian 1
  • Mehdi Bakhshesh 2
  • Ebrahim Hajidavalloo 3
1 Associate Professor, Department of Mechanical Engineering, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 PhD student, Department of Mechanical Engineering, Faculty of Engineering, Shahid Chamran University, of Ahvaz, Ahvaz, Iran,
3 Professor, Department of Mechanical Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده [English]

In this paper, a new correlation is developed to predict sand particle erosion in standard elbow for churn flow pattern. First, using the Buckingham Pi theorem, dimensional analysis is performed and the dimensionless groups governing the erosion phenomenon in churn flow are derived. These groups are obtained as dimensionless erosion (ER ρ_G D^2 ), mixture Reynolds number (〖Re〗_m ), ratio of the superficial velocities (V_SG/V_SL ), and the ratio of particle diameter to elbow diameter (d_p/D). Using the Gaussian process regression (GPR), a parametric erosion correlation for churn flow is then constructed. In the proposed model, the ratio of the superficial velocities is considered as the deviation factor of actual properties in churn from the mixture properties and its effect on the predicted erosion rate. For different operating conditions, the model results are validated with experimental data. The results show that more than 87% of the predictions have an error of less than 30%. Also, the model performance is compared with previous existing models. It is observed that the proposed model error is much less than other existing models. These results indicate the accuracy and efficiency of the presented model in solid particle erosion for churn flow. Finally, the proposed model is utilized to obtain the threshold erosional velocity curves in the churn flow pattern. The effect of various parameters such as elbow and particle size, liquid viscosity as well as gas flow pressure on the erosion values and threshold erosional velocity in churn flow are investigated.

کلیدواژه‌ها [English]

  • Solid Particle Erosion
  • Standard Elbow
  • Churn Flow
  • Dimensional Analysis
  • Gaussian Process Regression