非共沸混合工质喷射器混合机理研究

Ejector is the key component of the ejector refrigeration system, and its performance directly determines the system performance. This project focuses on the mixing mechanism of the primary flow and secondary flow inside the ejector. The absorption spectrum tomography technology based on frequency-agile lasers is adopted to visualize the mixing process of the zeotropic mixtures working inside the ejector. A numerical model considering the real properties of the zeotropic mixtures is built to describe the mixing process, which could be used to study the mixing characteristics (such as the developing rate in the mixing layer, non-mixed length, shock wave characteristics, etc.), and the effect of mixing characteristics on the ejector performance. A CFD-based entropy analysis model is developed to study the source and proportion of irreversibilities in the mixing process. An automatic intelligent optimization design model for complex parameters of ejector based on deep neural network is established to obtain high performance ejector using zeotropic mixtures as working fluid, which can improve the performance of ejector refrigeration system with zeotropic mixtures, and broaden the application of ejector refrigeration system.

喷射器是喷射制冷系统的核心部件，其性能高低直接决定系统性能。本项目提出采用基于宽频带智能变频的吸收光谱层析成像技术，对非共沸混合工质喷射器内部工作流体与引射流体的混合过程进行可视化实验研究，深入探究非共沸混合工质喷射器内部混合机理。建立考虑了非共沸混合工质实际物性的混合过程数值模型，探索混合特性（混合边界层发展速率、非混合长度、激波特性等）的影响因素和规律，以及混合特性对喷射器性能的影响规律。建立基于CFD技术的熵分析模型，对混合过程不可逆损失的来源与占比进行研究，明确混合过程不可逆损失的影响因素和规律。建立基于深度神经网络的复杂参数喷射器自动智能优化设计模型，以期得到高性能的非共沸混合工质喷射器，进而提高采用非共沸混合工质的喷射制冷系统性能，拓宽喷射制冷系统应用范围。

采用非共沸混合工质的喷射制冷系统可以突破喷射器压比较小的限制，达到更低的蒸发温度。喷射器效率较低是阻碍该系统实际应用的主要原因。要提高采用非共沸混合工质喷射器的性能，就必须对喷射器内部不可逆损失进行研究，尤其是工作流体与引射流体的混合过程。本项目搭建了采用R134a/R32非共沸混合工质喷射器性能测试实验装置，建立了喷射器二维数值模型，对喷射器在不同工况（发生温度、冷凝温度和蒸发温度）及混合工质质量分数条件下进行了实验研究与数值模拟计算，探究了正激波位置、激波链长度、工作流体与引射流体混合边界层特性及两股流体非混合长度的影响因素和规律。并建立了基于CFD的喷射器内部熵产分析模型，对采用R134a/R32的喷射器在不同工况及混合工质质量分数条件下，喷射器内部所产生的湍流熵产、粘性熵产、脉动温差熵产和平均温差熵产的分布特性及占比进行分析。研究结果表明，在相同工况下，喷射器内湍流熵产占比最多，平均温差熵产占比最少；轴向湍流熵产的分布及峰值与喷射器中的钻石激波产生的位置及强度呈正相关。同时，提出了基于深度神经网络学习的非共沸混合工质喷射器自动设计模型。在给定工况需求的情况下，实现了在较短时间的探索模拟过程中得到针对喷射器的结构参数、混合工质质量分数的多参数的组合优化算法，并以此算法得到高效喷射器设计方案。研究结果表明，在随机采样工况的自动设计结果中，有85%的工况对比人工设计获得性能提升，喷射器性能提升幅度最大达到74.56%，充分说明了该方法的先进性与有效性。本研究为提高非共沸混合制冷工质喷射器性能、拓宽喷射制冷系统应用范围，以及为非共沸混合工质喷射器的多参数自动智能优化设计提供了实验和理论依据。