شتاب‌دهي روش طراحي معكوس پوسته الاستيك به همراه بهينه‌سازي داده محور توزيع فشار هدف به كمك روش‌هاي يادگيري ماشين و يادگيري عميق

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

طراحي اشكال آيروديناميكي با پارامتر¬هاي عملكردي مطلوب يا هندسة بهينه، هميشه به عنوان يك مسئلة علمي-كاربردي اساسي مطرح بوده است. لكن، كاهش¬¬ هزينه محاسباتي روش‌هاي طراحي معكوس يا بهينه‌سازي آيروديناميكي، هميشه به عنوان يك چالش در حوزة آيروديناميك مطرح بوده است. امروزه، تلاش¬ها و سرمايه¬گذاري¬هاي كلاني در زمينة داده محور كردن حل مسائل مختلف متمركز شده است. در اين پژوهش، داده محور كردن طراحي معكوس به منظور شتاب¬دهي و كاهش هزينة محاسباتي آن مورد توجه است. به دليل ارجحيت روش‌هاي طراحي معكوس آيروديناميكي تكراري، به دلايل واضحي نظير قابليت اعمال ¬آن‌ها بر جريآن‌هاي پيچيده، در اين پژوهش از داده‌هاي تكرار¬هاي گذشتة الگوريتم طراحي معكوس پوسته الاستيك براي به دست آوردن يك تخمين مناسب از هندسة هدف و شتاب¬دهي به سمت آن استفاده شده است. بدين منظور از دو مدل يادگيري عميق متفاوت، يك شبكة FNN عميق يا DFNN و يك شبكة LSTM، با آرايش‌ها و حالت¬هاي ورودي و خروجي متفاوت به منظور شناخت هم رابطة بين توزيع فشار و هندسه و هم روند تغييرات هندسه به سمت هندسة هدف، بهره برده شده است. آموزش مدل يادگيري ماشين به وسيلة داده‌هاي كسب شده در مراحل اولية طراحي معكوس انجام گرفته و سپس اعتبارسنجي روش توسعه داده شده با بررسي ايرفويل¬هاي متفاوت در يك جريان تراكم پذير رينولدز بالا، در هر دو رژيم لزج و غيرلزج صورت گرفت. نتايج تا 70 و 80 درصد كاهش در هزينة محاسباتي را به ترتيب براي حالت¬هاي آفلاين و آنلاين استفاده از ماشين يادگيري با الگوريتم طراحي معكوس را نشان مي¬دهند. روش‌هاي طراحي معكوس به لحاظ اطمينان از بهينه بودن، دقت و واقعي بودن توزيع فشار هدف، داراي محدوديت¬ هستند كه مانعي براي توسعة بيش¬تر اين روش‌ها است. بخش دوم اين پژوهش با تركيب يك روش طراحي معكوس تكراري موسوم به طراحي معكوس پوستة الاستيك و يك شبكة عصبي مصنوعي (ANN) سعي در برطرف كردن چالش¬هاي مذكور در حين حفظ نقاط قوت طراحي معكوس دارد. پايگاه داده يا ديتابيس توزيع فشار، كه توسط حل ميدان جريان توسط روش‌هاي ديناميك سيالات محاسباتي (CFD) در طي روند طراحي معكوس به دست آمده است، به منظور آموزش يك مدل يادگيري عميق براي ارتباط بين توزيع فشار و ضرايب آيروديناميكي استفاده شد. سپس، الگوريتم ژنتيك جهت به دست آوردن توزيع فشار بهينه بر روي داده‌هاي به دست آمده اعمال شد، كه تابع هزينة آن توسط شبكة عصبي يا مدل يادگيري عميق توسعه يافته تعيين مي¬شود. به منظور ارزيابي قابليت¬هاي تركيب روش طراحي معكوس-يادگيري ماشين توسعه داده شده، يك ايرفويل توربين باد FX63-137 با مقطع ضخيم به منظور دريافت نسبت ضريب ليفت به درگ بيشينه در يك زاوية حملة مشخص، به عنوان تابع هزينه، بهينه‌سازي شد و توزيع فشار بهينه آن بصورت همزمان يا آنلاين در طي فرايند طراحي معكوس به دست آمد و توزيع فشارهاي غيرواقعي متناظر با هندسه‌هاي دم ماهي شكل، به طور هوشمند توسط شبكة عصبي از روند بهينه سازي حذف گرديد. نتايج بهينه‌سازي تا 18% افزايش در نسبت ضريب ليفت به درگ نسبت به ايرفويل FX63-137 را نشان مي¬دهد. علاوه بر اين، در طي روند بهينه‌سازي، هندسه‌هاي متفاوت با نسبت ضريب ليفت به درگ مشابه به دست آمده است.

215468

تبديل انرژي

مهندسي مكانيك

دانشگاه صنعتي اصفهان

محسن دوارده امامي، احمدرضا پيشه‌ور

مهدي نيلي احمدآبادي