The flat tubular indirect evaporative cooler complements the conventional round tubular indirect evaporative cooler owing to its superior wetting surface area and enhanced heat transfer capacity. Given the multitude of influencing parameters, achieving a comprehensive analysis and optimization of the flat tubular indirect evaporative cooler demands a significant number of experimental tests or numerical simulations. Consequently, this study seeks to employ statistical techniques for constructing a precise and expeditious performance prediction model for the flat tubular indirect evaporative cooler. Nine pivotal parameters were selected to evaluate their impact on the cooling performance of the flat tubular indirect evaporative cooler. A numerical model was developed and verified experimentally. The response surface method was applied to establish polynomial regression equations for the cooling performance prediction of flat tubular indirect evaporative coolers. In addition, this work proposed a multi-objective optimization strategy for the proposed cooler. By innovatively using weighting factors to assign different weights to response values, multi-objective optimization with preferences was performed for the flat tubular indirect evaporative cooler with different demands to increase the applicability of the proposed cooler. The optimization results showed that when only the optimized wet-bulb efficiency was considered, the wet-bulb efficiency can reach up to 81.1%. When optimizing both the wet-bulb efficiency and the coefficient of performance simultaneously, the coefficient of performance can be up to 58.0, and the wet-bulb efficiency was 64.7%.

Evaporative cooling systems face limitations in producing cold water due to their dependence on ambient air conditions, air-water cross-contamination, and large equipment size. This study introduces a vacuum-assisted hollow fiber membrane integrated evaporative water cooler as a potential solution. To facilitate its deployment in applications such as building air conditioning and industrial processes, a robust design optimization framework was constructed. A numerical model was established and experimentally verified. Combining the response surface method, three regression models were derived for convenient performance prediction. The six input design parameters encompass operating conditions and membrane specifications. The three output performance metrics are outlet water temperature, coefficient of performance, and cooling capacity per unit volume. Multi-objective optimization using a genetic algorithm, under two inlet water temperature conditions, yielded well-balanced cooler designs with superior cooling performance, energy efficiency, and compactness. The regression models demonstrated high prediction accuracy, with R2 surpassing 0.93. Compared to the original designs, the parameter combinations identified through the ideal point method realized over 40% reduction in outlet water temperature, over 66% increase in coefficient of performance, and over 138% enlargement in cooling capacity per unit volume. Furthermore, validation of the obtained Pareto fronts confirmed the practical reliability of the design references.