當你不知道出口溫度時，LMTD 就失靈了——熱交換器設計的另一條路

當你不知道出口溫度時，LMTD 就失靈了——熱交換器設計的另一條路

入門篇我們用 $q = U A\,\Delta T_{lm}$ 算出了一台逆流熱交換器需要多大的面積。但那題其實藏了一個前提：我們事先知道四個端點溫度（兩進兩出）。現實裡的「評比問題（rating problem）」往往相反——你手上有一台既有的熱交換器（面積 $A$ 已固定），想知道把某股新物流接上去之後，出口會是幾度？此時你連 $\Delta T_{lm}$ 都算不出來，因為它要用到還不知道的出口溫度。

更糟的是，如果你硬要用 LMTD 法迭代：先猜出口溫度、算 LMTD、回頭驗證能量平衡、再修正……這在手算或嵌進最佳化迴圈時都很笨重。化工界因此發展出一套完全不需要事先知道出口溫度的方法：有效度—傳遞單元數（effectiveness–NTU）。它不只是 LMTD 的替代品，更揭露了一台熱交換器「能回收多少熱」的物理上限。這篇進階篇，我們就從這條路出發，順帶把入門篇裡被簡化成一個符號 $U$ 的對流係數 $h$，拆開來看清楚它背後的無因次群與邊界層物理。

把熱交換器看成一台「效率機」：有效度 ε

先定義一個直覺的問題：在給定的進口條件下，這台設備最多能傳多少熱？

熱不可能無限傳遞，因為溫差會被「拉平」。能傳的最大熱量，受限於兩股流體中熱容量流率（heat capacity rate） $C = \dot{m} c_p$ 較小的那一股。為什麼是較小那股？因為熱容量流率小的流體，溫度變化最快，它會最先「跑完」整個可用溫差 $T_{h,in} - T_{c,in}$。定義：

$$ C_{min} = \min(C_h, C_c), \qquad C_{max} = \max(C_h, C_c) $$

理論上限（一台無限大、純逆流的設備能達到的）就是：

$$ q_{max} = C_{min}\,(T_{h,in} - T_{c,in}) $$

而有效度（effectiveness） $\varepsilon$ 定義為實際傳熱量對這個上限的比值：

$$ \varepsilon = \frac{q}{q_{max}} = \frac{q}{C_{min}\,(T_{h,in} - T_{c,in})} $$

$\varepsilon$ 介於 0 與 1 之間，是一個無因次的「熱回收效率」。一旦知道 $\varepsilon$，出口溫度立刻可得，完全不需要 LMTD：

$$ q = \varepsilon\, C_{min}\,(T_{h,in} - T_{c,in}) $$

接著用能量平衡反推兩股出口溫度即可。這就是它在評比問題上碾壓 LMTD 法的關鍵——把「未知的出口溫度」這個麻煩，外包給了一個只取決於設備幾何與大小的量。

NTU：把面積換算成「傳熱機會的次數」

那 $\varepsilon$ 由什麼決定？答案是兩個無因次群。

第一個是傳遞單元數（Number of Transfer Units, NTU），它把入門篇的 $U A$ 無因次化：

$$ \text{NTU} = \frac{U A}{C_{min}} $$

NTU 可以理解成「設備給予流體的傳熱機會有多充足」——面積越大、$U$ 越高，或流體熱容量流率越小，NTU 越大，越接近熱力學上限。第二個是熱容量流率比：

$$ C_r = \frac{C_{min}}{C_{max}} $$

對每一種流動構型，$\varepsilon$ 都是這兩個群的閉合函數 $\varepsilon = f(\text{NTU}, C_r)$。以最重要的純逆流為例（當 $C_r \neq 1$）：

$$ \varepsilon_{\text{counter}} = \frac{1 - \exp\!\big[-\text{NTU}\,(1 - C_r)\big]}{1 - C_r\,\exp\!\big[-\text{NTU}\,(1 - C_r)\big]} $$

並流則是：

$$ \varepsilon_{\text{parallel}} = \frac{1 - \exp\!\big[-\text{NTU}\,(1 + C_r)\big]}{1 + C_r} $$

這兩條式子把入門篇「逆流比並流好」的定性結論變成可計算的曲線：在相同 NTU 下，逆流的 $\varepsilon$ 永遠較高，且差距隨 NTU 增大而拉開。

兩個有啟發性的極限值得記住：

• $C_r \to 0$（例如一股是冷凝或沸騰的相變流體，它在定溫下吸放大量熱，等效 $C_{max} \to \infty$）：兩種構型都退化成 $\varepsilon = 1 - e^{-\text{NTU}}$。此時並流與逆流沒有差別，因為定溫流體不會造成「溫度交叉」的限制。
• $C_r = 1$（兩股熱容量流率相等，常見於對稱製程）：逆流式退化成 $\varepsilon = \dfrac{\text{NTU}}{1 + \text{NTU}}$。要把 $\varepsilon$ 從 0.9 推到 0.95，NTU 得從 9 倍增到 19——這就是「最後幾度熱回收最貴」的數學根源，也正是入門篇夾點分析裡 $\Delta T_{min}$ 不能設太小的另一面。

看一個例子：同一台設備，LMTD 算不動而 NTU 一步到位

沿用一台已建好的逆流熱交換器，已知 $U A = 4{,}200\ \text{W/K}$。熱流體 $C_h = 11{,}000\ \text{W/K}$、進口 150°C；冷流體 $C_c = 25{,}080\ \text{W/K}$、進口 25°C。求兩股出口溫度與熱負荷。

注意：兩股出口溫度都未知，LMTD 法只能靠迭代猜測。用 ε–NTU 則是直接代入：

第一步：辨識 $C_{min}$ 與 $C_r$。

$$ C_{min} = 11{,}000\ \text{W/K}\ (\text{熱流}), \quad C_r = \frac{11{,}000}{25{,}080} = 0.439 $$

第二步：算 NTU。

$$ \text{NTU} = \frac{U A}{C_{min}} = \frac{4{,}200}{11{,}000} = 0.382 $$

第三步：代逆流 ε 公式。 先算指數項 $\text{NTU}(1 - C_r) = 0.382 \times 0.561 = 0.214$，$e^{-0.214} = 0.807$：

$$ \varepsilon = \frac{1 - 0.807}{1 - 0.439 \times 0.807} = \frac{0.193}{1 - 0.354} = \frac{0.193}{0.646} = 0.299 $$

第四步：算實際熱負荷。

$$ q = \varepsilon\, C_{min}\,(T_{h,in} - T_{c,in}) = 0.299 \times 11{,}000 \times (150 - 25) = 411\ \text{kW} $$

第五步：能量平衡反推出口溫度。

$$ T_{h,out} = 150 - \frac{411{,}000}{11{,}000} = 150 - 37.4 = 112.6\ \text{°C} $$ $$ T_{c,out} = 25 + \frac{411{,}000}{25{,}080} = 25 + 16.4 = 41.4\ \text{°C} $$

整個過程沒有對數、沒有迭代、沒有先猜後驗。這正是為什麼商用流程模擬軟體（Aspen Plus、gPROMS）內部的熱交換器評比與最佳化迴圈，幾乎都採 ε–NTU 而非 LMTD——它對求解器友善，導數連續、不會在迭代中出現 $\ln$ 的奇異點。

拆開 U：對流係數 h 背後的無因次物理

入門篇把對流係數 $h$ 當成一個「系統參數」帶過，但要真正設計熱交換器、判斷該讓流體跑多快、選多粗的管，就得知道 $h$ 怎麼來。它藏在邊界層（boundary layer）裡。

流體流過管壁時，緊貼壁面那層幾乎不動，速度從零連續增加到主流速度，形成速度邊界層；溫度也從壁溫連續變到主流溫度，形成熱邊界層（thermal boundary layer）。熱要進入流體，必須先穿過這層幾乎靜止的薄膜——薄膜越薄，熱阻越小、$h$ 越大。流速越快、紊流越強，邊界層被「沖刷」得越薄，這就是入門篇說「跑快一點 $h$ 越大」的微觀解釋。

工程上用三個無因次群來組織這件事：

$$ \text{Nu} = \frac{h D}{k}, \qquad \text{Re} = \frac{\rho v D}{\mu}, \qquad \text{Pr} = \frac{c_p \mu}{k} $$

• Nusselt 數 Nu：對流熱傳對純傳導的倍率，本質上就是「無因次的 $h$」。
• Reynolds 數 Re：慣性力對黏滯力之比，決定層流（管內 $\text{Re} < 2300$）或紊流。
• Prandtl 數 Pr：動量擴散對熱量擴散之比，也就是速度邊界層與熱邊界層的相對厚度（水約 7、空氣約 0.7、黏稠油可達數百）。

對管內紊流，經典的 Dittus–Boelter 關聯式給出：

$$ \text{Nu} = 0.023\,\text{Re}^{0.8}\,\text{Pr}^{n} \qquad (n = 0.4\ \text{加熱};\ 0.3\ \text{冷卻}) $$

從這條式子可以讀出一個對最佳化至關重要的訊息：$\text{Nu} \propto \text{Re}^{0.8}$，而 $h \propto \text{Nu}$、$\text{Re} \propto v$，所以對流係數約與流速的 0.8 次方成正比（$h \propto v^{0.8}$）。提高流速能改善熱傳，但收益是次線性的。

代價呢？同一股流體的壓降在紊流下大致 $\Delta P \propto v^{1.8\sim2}$，幾乎是流速的平方。換句話說，把流速加倍，$h$ 只漲約 $2^{0.8} \approx 1.74$ 倍，泵功（$\propto \dot{V}\,\Delta P \propto v^3$）卻暴增約 8 倍。這就是熱交換器設計裡最核心的權衡：傳熱面積（資本費）對抗泵送壓降（操作費）。 入門篇在整廠尺度談 $\Delta T_{min}$ 的權衡，這裡則是在單台設備內部、同一根管裡上演的微觀版本。

這條關聯式還解釋了一個常見的設計直覺：黏稠的高 Pr 流體（如重油，Pr 可達數百）熱邊界層遠比速度邊界層薄，$h$ 反而被壓低，往往是整台設備裡熱阻最大的那一側，成為控制側（controlling resistance）。實務上判斷該強化哪一側很簡單——回到入門篇的串聯熱阻式 $\frac{1}{U} = \frac{1}{h_i} + \cdots + \frac{1}{h_o}$，最小的那個 $h$ 貢獻最大的熱阻，把資源花在改善它才有效益。對重油這類流體在管內亂跑不划算（壓降太大），工程上常改用強化表面：管內插入紊流促進器（turbulators）、管外加翅片或波紋管，用幾何手段在不大幅提高流速的前提下破壞邊界層、提升 $h$。每一種強化都會被量化成一個強化因子，再回頭塞進 $U$ 的計算——這也說明了為什麼真實的熱交換器設計，本質上是在 Nu 關聯式、壓降關聯式與成本函數之間反覆權衡的迭代過程。

對抗汙垢：從固定裕度到動態建模

入門篇把汙垢熱阻 $R_f$ 列為總熱阻的第四項，當成一個固定常數。進階視角下，$R_f$ 其實隨時間增長，是熱交換器運轉週期的主導因素。

一個被廣泛使用的描述是 Kern–Seaton 模型，把結垢看成「沉積」與「剝除」兩個競爭過程的淨結果，使汙垢熱阻隨時間呈漸近增長：

$$ R_f(t) = R_f^{*}\big(1 - e^{-t/\tau}\big) $$

其中 $R_f^{*}$ 是漸近（飽和）汙垢熱阻，$\tau$ 是時間常數。隨著 $R_f(t)$ 上升，$U(t)$ 下降，要維持同樣的熱負荷就得提高公用工程消耗或降低處理量——於是出現一個最佳清洗週期問題：清洗太頻繁，停機與人力成本高；放太久不洗，能源懲罰持續累積。

把這件事寫成最佳化：設一次清洗成本為 $C_{clean}$，運轉期間因 $U$ 衰退而多燒的能源懲罰隨時間累積為 $\int_0^{t} \dot{C}_{energy}(t')\,\mathrm{d}t'$，則一個清洗週期 $t$ 的單位時間總成本為

$$ \bar{C}(t) = \frac{C_{clean} + \int_0^{t} \dot{C}_{energy}(t')\,\mathrm{d}t'}{t} $$

對 $t$ 求極小（$\mathrm{d}\bar{C}/\mathrm{d}t = 0$）就得到最佳清洗間隔。這已經是排程最佳化問題了，與入門篇結尾的 HEN 合成同屬程序系統工程的範疇，只是把時間維度加了進來。值得一提的是，汙垢還反過來牽動上一節的流速權衡：提高流速能加強剝除、壓低 $R_f^{*}$，但又付出壓降的代價——於是「跑多快」這個看似單純的問題，同時牽連了瞬時熱傳、長期汙垢與泵送能耗三條成本線，沒有一個維度能單獨決定答案。這正是化工輸送現象迷人之處：每一個工程選擇，都是好幾條物理在同一個成本函數上的角力。

重點回顧

• 評比問題（已知面積、求出口溫度）下 LMTD 法失靈，因為 $\Delta T_{lm}$ 需要還未知的出口溫度；ε–NTU 法以 $\varepsilon = f(\text{NTU}, C_r)$ 直接給出熱負荷，無須迭代。
• $q_{max} = C_{min}(T_{h,in}-T_{c,in})$ 是任何熱交換器的熱力學上限，由熱容量流率較小的那股流體決定。
• $C_r = 1$ 時 $\varepsilon = \text{NTU}/(1+\text{NTU})$，說明「最後幾度熱回收最貴」，與夾點分析 $\Delta T_{min}$ 不宜過小互為表裡。
• 對流係數 $h$ 來自邊界層厚度，由 $\text{Nu} = 0.023\,\text{Re}^{0.8}\text{Pr}^{n}$ 等關聯式量化；$h \propto v^{0.8}$ 但 $\Delta P \propto v^{2}$、泵功 $\propto v^{3}$，構成傳熱對壓降的核心權衡。
• 汙垢熱阻隨時間漸近增長（$R_f(t)=R_f^{*}(1-e^{-t/\tau})$），導出「最佳清洗週期」這個時間維度的最佳化問題。

深入探討（研究所視角）

ε–NTU 與 LMTD 在穩態下其實是同一套物理的兩種代數外觀——可以證明兩者對任一構型完全等價。真正讓 ε–NTU 在現代程序工程中勝出的，是它對最佳化求解器的數值友善性與對動態模擬的可組合性。

在熱交換器網路（HEN）的同時最佳化（如 Yee–Grossmann superstructure）中，每一台潛在設備的熱負荷都要進入 MINLP 的約束式。若用 LMTD 表述，目標函數會出現 $\Delta T_{lm} = (\Delta T_1 - \Delta T_2)/\ln(\Delta T_1/\Delta T_2)$ 這種在 $\Delta T_1 = \Delta T_2$ 時形式上 $0/0$、需要特別處理的奇異項，導數也不連續，常逼得人改用 Chen 近似式 $\Delta T_{lm} \approx \big[\Delta T_1 \Delta T_2 (\Delta T_1 + \Delta T_2)/2\big]^{1/3}$ 來保持可微。ε–NTU 的指數型式則天然平滑，更適合塞進梯度型全域最佳化框架。

從單台設計到網路最佳化的橋樑可以這樣寫：某一台配對 $(i,j)$ 的熱負荷在設計變數（面積 $A_{ij}$、流量分配）下，透過 $\text{NTU}_{ij} = U_{ij} A_{ij}/C_{min,ij}$ 與對應的 $\varepsilon_{ij}(\text{NTU}_{ij}, C_{r,ij})$ 表為

$$ q_{ij} = \varepsilon_{ij}\, C_{min,ij}\,(T_{h,i}^{in} - T_{c,j}^{in}) $$

再把所有 $q_{ij}$、各物流的能量平衡、與公用工程用量一起代入入門篇那條總年化成本目標函數

$$ \min\ C_{\text{total}} = \sum_k c_{u,k} Q_{u,k} + \sum_{i,j}\big(c_f z_{ij} + c_a A_{ij}^{\beta}\big) $$

整廠最佳化於是被化約成一組以 $\varepsilon$–NTU 為「設備模型」的非線性約束。這也是為何前沿研究會用機器學習代理模型（surrogate）去逼近 $\varepsilon_{ij}$ 與壓降的耦合響應——當每台設備的傳熱、壓降、汙垢動態都非線性糾纏時，可微且可批次評估的代理模型能大幅加速 MINLP 求解。

更前沿的張力在於穩態最優 vs. 動態可控。ε–NTU 假設穩態與定值物性，但實廠進料波動、$R_f(t)$ 漂移、相變流體在不同負荷下 $C_r$ 改變，都讓「最優網路」隨時間移動。把 ε–NTU 模型嵌進動態模擬（每台設備一組微分代數方程，ODE/DAE），再做彈性分析與經濟模型預測控制（economic MPC），讓網路在整個操作範圍內既最優又可控，是目前熱整合在能源轉型壓力下重新成為熱門題目的研究前線。而它最底層的那個量，仍然是這篇文章一開始問的——在你還不知道出口溫度時，這台設備究竟能回收多少熱。