Abstract




 
   

IJE TRANSACTIONS A: Basics Vol. 31, No. 4 (April 2018) 316-323    Article in Press

PDF URL: http://www.ije.ir/Vol31/No4/A/17.pdf  
downloaded Downloaded: 0   viewed Viewed: 106

  MULTI-OBJECTIVE PARETO OPTIMIZATION OF TWO-ELEMENT WING MODELS WITH MORPHING FLAP USING CFD, GMDH ARTIFICIAL NEURAL NETWORKS AND GENETIC ALGORITHMS
 
H. Safikhani and M. Jamalinasab
 
( Received: August 20, 2017 – Accepted: January 04, 2018 )
 
 

Abstract    A multi-objective optimization (MOO) of two-element wing models with morphing flap by using computational fluid dynamics (CFD) techniques, artificial neural networks (ANN), and non-dominated sorting genetic algorithms (NSGA II), is performed in this paper. At first, the domain is solved numerically in various two-element wing models with morphing flap using CFD techniques and lift (L) and drag (D) coefficients in wings are calculated. Afterward, for modeling L and D using grouped method of data handling (GMDH) type artificial neural networks, numerical data of the preceding step will be applied. Eventually, for Pareto based multi-objective optimization of two-element wing models with morphing flap using NSGA II algorithm, the modeling, which is accomplished by GMDH will be applied. It is shown that the achieved Pareto solution includes important design information on such wings.

 

Keywords    Two-element wings; morphing flap; multi-objective optimization; GMDH; NSGA II.

 

چکیده    نیروی برا و نسبت برا به پسا (بازده آیرودینامیکی) از مهم‌ترین عوامل طراحی بدنه پهپادها هستند که در تعیین الزامات مصرف سوخت، مداومت پروازی، سرعت، اطمینان‌پذیری، قابلیت مانور و طول باند نقش اساسی دارند. از جمله طرح‌های ارائه شده به منظور تامین عوامل مذکور، بال‌های چند‌المانی هستند که در آن‌ها ابزارهای برآافزا مانند فلپ و اسلت به ایرفویل اصلی کمک می‌کنند. پیشرفت روز افزون روش‌های طراحی این ابزارها، زمینه ارائه مدل فلپ‌های دگردیس برای عملکرد مناسب در شرایط مختلف پروازی را فراهم نمودند. در تحقیق حاضر مدل بال دوالمانی پهپاد هرون با فلپ شکل‌پذیر، توسط روش دینامیک سیالات محاسباتی، مورد تحلیل عددی قرار گرفته و نتایج آن با داده‌های تجربی آزمایشات تونل باد مقایسه و صحه‌گذاری می­گردد. به منظور بهینه‌سازی شکل فلپ برای دست‌یابی به حداکثر ضریب برا و حداقل ضریب پسای بال، از الگوریتم NSGA[1] II استفاده خواهد شد. در این روش چند پارامتر هندسی که معرف موقعیت و انحنای فلپ هستند تعریف شده و چیدمانی از حالات مختلف این پارامترها به عنوان طرح آزمایش ارائه گردید. در ادامه مقادیر برا و پسای‌ بال در هر طرح آزمایش به کمک روش عددی محاسبه و طرح بهینه پیشنهاد می­گردد. در نهایت شکل و موقعیت بهینه فلپ به صورت چندهدفی پیشنهاد و مقدار بازده بیشینه متناظر، استخراج و صحه‌گذاری خواهد شد. لازم به ذکر است در طی فرآیند بهینه سازی چندهدفی، می­بایست داده­های گسستۀ عددی به توابع پیوسته تبدیل شوند که این کار با استفاده از شبکه­های عصبی نوع GMDH[2] انجام خواهد شد. مجموعۀ نتایج به دست آمده در زمینۀ بهینه­سازی چندهدفی پهباد مذکور با در نظر گرفتن کیفیت نمودار پارتو، تصمیم­گیری دقیق و عمیق را برای طراح به منظور نیل به اهداف عملکردی بهتر فراهم می­نماید.

References     [1]   P. Gamboa , P. Aleixo, A. Suleman, Design and Testing of a Morphing Wing for an Experimental UAV, In Platform Innovations and System Integration for Unmanned Air, Land and Sea Vehicles (AVT-SCI Joint Symposium),(pp. 17-1 – 17-30). Meeting Proceedings RTO-MP-AVT-146, Paper 17. Neuilly-sur-Seine, France: RTO. [2]   G. Trapani, T Kipourosy, M. Savill, Computational Aerodynamic Design for 2D High-Lift Airfoil Configurations, [3]   M. Steinbuch, B. Marcus and M. Shepshelovich, Development Of UAV Wings Subsonic Designs, 41st Aerospace Sciences Meeting and Exhibit, Nevada, 2003. [4]   Nagel, Wings For UAV Based on High-Lift Airfoils, Aero India 2013 International Seminar Bangalore, India, 04-06 February 2013. [5]   M. Kanazaki, K. Tanaka, Multi-objective Aerodynamic Optimization of Elements Setting for High-lift Airfoil Using Kriging Model, 44th AIAA Aerospace Sciences Meeting and Exhibit, Nevada, 2006.  [6]   S. Jeong, M. Murayama and K. Yamamoto, Efficient Optimization Design Method Using Kriging Model, Journal of Aircraft, 42 (2005) 56-62.  [7]   T.Simpson, T. Mauery, J. Korte, and F. Mistree, Comparison of Response Surface and Kriging Models For Multidisciplinary Design Optimization, AIAA, (1998). [8]   D. Landman and P. Britcher, Experimental Geometry Optimization Techniques for Multi-Element Airfoils, Journal of Aircraft, 37 (2000) 707-711. [9]   A. Vavalle and N. Qin, Iterative Response Surface Based Optimization Scheme for Transonic Airfoil Design, Journal of Aircraft, 44 (2007) 365-371. [10]  Z. Xiong-feng, H. Zhong-xi, G. Zheng and L. Zhao-Wei, Dynamic Mesh Based Airfoil Design Optimization, World Academy of Science Engineering and Technology, 69 (2012) 692-697.  [11]  T. Ross and W. Crossley, Method to Assess Commercial Aircraft Technologies, Journal of Aircraft, 37 (2000) 570-576 [12]  M. Secanell,A. Suleman and P. Gamboa, Design of a Morphing Airfoil Using Aerodynamic Shape Optimization, AIAA JOURNAL, 44 (2006) 247-253. [13]  S. Kim, J. Alonsoy and A. Jamesonz, Design Optimization of High–Lift Configurations Using a Viscous Continuous Adjoint Method, AIAA JOURNAL, 38 (2002) 675-682.  [14]  N. Matteo, S. Guo, S. Ahmed and D. Li, Design and Analysis of a Morphing Flap Structure for High Lift Wing, 51st.AIAA/ASME/ASCE/AHS/ASC Structures,Structural Dynamics,and Materials Conference, Nevada, 2010. [15]  R.Balaji and F.Barmkamp, Effect of Flap and Slat Riggings on 2-D High-Lift Aerodynamics, Journal of Aircraft, 43 (2006) 803-811. [16]  E.Rogers, A Comparsion Of Turbulence Models In Computing Multi-Element Airfoil Flows, AIAA Paper, 32 (1994) 324-330. [17]  S. J. Farlow, Self-organizing Method in Modelling: GMDH type algorithm. Marcel Dekker Inc; 1984. [18]  N. Amanifard, N. Nariman-Zadeh, M. H. Farahani and A. Khalkhali, Modeling of multiple short-length-scale stall cells in an axial compressor using evolved GMDH neural networks, Energy Convers. Manage. 49 (2008) 2588–2594. [19]  N. Nariman-Zadeh, A. Darvizeh and R. Ahmad-Zadeh, Hybrid genetic design of GMDH-type neural networks using singular value decomposition for modeling and prediction of the explosive cutting process, J. Eng. Manufacture 217 (2003) 779–790. [20]  N. Amanifard, N. Nariman-Zadeh, M. Borji, A. Khalkhali and A. Habibdoust, Modeling and Pareto optimization of heat transfer and flow coefficients in micro channels using GMDH type neural networks and genetic algorithms, Energy Convers. Manage. 49 (2008) 311-325. [21]  K. Deb, S. Agrawal, A. Pratap and T. Meyarivan, T., A fast and elitist multi-objective genetic algorithm: NSGA-II”. IEEE Trans Evolutionary Computation, 6 (2002) 182-97. [22]  H. Safikhani, M. A. Akhavan-Behabadi, N. Nariman-Zadeh and M. J. Mahmoodabadi, Modeling and multi-objective optimization of square cyclones using CFD and neural networks, Chem. Eng. Res. Des. 89 (2011) 301–309. [23]  S. Sanaye and H. Hajabdollahi, Thermal-economic multi-objective optimization of plate fin heat exchanger using genetic algorithm, Appl. Energy 87 (2010) 1893–1902. [24]  S. Sanaye and M. Dehghandokht, Modeling and multi-objective optimization of parallel flow condenser using evolutionary algorithm, Appl. Energy 88 (2011) 1568–1577. [25]  M. Shepshelovich and A. Nagel , Slotted high Lift Aerofoils , Patent No.: US 8,109,473 B2, (2012) [26]  M. Shepshelovich, The Progress in Development of UAV Wings, ICAUV, India, 2009. [27]  W. Kays,  M. Crawford,  B. Weigand, Convective Heat & Mass Transfer 4th Edition,  [28]  P.Spalart and S.Allmaras, A one-equation turbulence model for aerodynamic flows, Technical Report AIAA-92-0439, American Institute of Aeronautics and Astronautics, 1992. [29]  K.M. Naveen, Y. Muddkavi, CFD Analysis of multi-element aerofoils using OPENFOAM, Proceedings of the 37th National & 4th International Conference on Fluid Mechanics and Fluid Power December 16-18, 2010, IIT Madras, Chennai, India. [30]  A. G. Ivakhnenko, Polynomial theory of complex systems. IEEE Trans Syst Man Cybern. SMC-1; 1971. [31]  C. Douglas Montgomery, Design and Analysis Experiments. John Wiley & Son Inc; 1991. [32]  T. H. Hou, C. H. Su and W. L. Liu, Parameters optimization of a nano-particle wet milling process using the taguchi method, response surface method and genetic algorithm, Powder Technolog. 173 (2007) 153–62.


Download PDF 



International Journal of Engineering
E-mail: office@ije.ir
Web Site: http://www.ije.ir