تخمین ضرایب آیرودینامیکی ایرفویل غشائی با روش فازی و شبکه‌‌های عصبی و ارزیابی این روش‌ها با آزمون تجربی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشکده مهندسی نساجی، دانشگاه یزد، یزد،‌ ایران

2 دانشیار، دانشکده مهندسی نساجی، دانشگاه یزد، یزد، ‌ایران

چکیده

معمولا ضرایب آیرودینامیکی به روش‌‌های عددی و تجربی محاسبه می‌شود که منجر به صرف وقت، هزینه بالاو وابستگی به پوشش ایرفویل می­گردد. نوآوری در این پژوهش تخمین ضرایب آیرودینامیکی ایرفویل با پوشش پارچه به روش‌‌های فازی، شبکه عصبی و سیستم فازی-عصبی می‌باشد، تا روشی کم­هزینه و زود بازده در طراحی بهینه و تخمین ضرایب آیرودینامیکی ایرفویل‌های وسایل نقلیه دارای بال غشائی تعیین شود. در مدل‌‌ها سرعت زیرصوت درنظر گرفته شد. دو فاکتور عدد رینولدز و زاویه‌حمله بعنوان ورودی و مقادیر ضرایب برآ و پسا بعنوان خروجی فرض شدند. تخمین­‌ها بر روی داده‌‌های ایرفویل ناکا2418 صورت گرفته و خطای نهایی هر یک از روش‌‌ها محاسبه و با هم مقایسه شد. میزان خطای مدل‌‌ها با میانگین مربعات خطا برای ضرایب برآ و پسا در مدل فازی به ترتیب برابر 8023/0و4-10×3451/4، در مدل فازی-عصبی برابر 2-10×97/6 و3-10×7/6و در مدل شبکه عصبی برابر 3-10×2/1و6-10×5767/7 می‌باشد که حاکی از برازش خوب مدل‌ها بود. از بین آنها، مدل شبکه عصبی همخوانی بهتری با داده­‌ها نشان داد. جهت راستی آزمایی مد­ل­سازی­‌ها از داده­‌های ضریب برآ حاصل از آزمون تجربی استفاده شد که موید برازش مناسب مدل‌ها بود.

کلیدواژه‌ها

موضوعات

مراجع

  • Kouba G., Botez R.M. and Boely N., Fuzzy logic method use in F/A-18 aircraft model identificatio Journal of aircraft, 47(1), pp.10-17. 2010.
  • Anderson Jr., John D., Fundamentals of aerodynamics, Tata McGraw-Hill Education, 2010.
  • Altab H., Rahman A., Hossen J., Iqbal A. K. M. P., and Hasan S. K., Application of fuzzy logic approach for an aircraft model with and without winglet. International Journal of Mechanical, Industrial and Aerospace Engineering, 4(2), pp.78-86. 2010.
  • Yongxin Li., Chen Z., and Sun Q., Flight path tracking of a parafoil system based on the switching between fuzzy control and predictive control. CAAI transactions on intelligent systems, 6(7), pp.481-488. 2012.
  • Ray C. C., Fuzzy logic-based aerodynamic modeling with continuous differentiability. Mathematical Problems in Engineering, 2013.
  • Farrukh M., Munem Khan A., Chaudhry I. A., and Ahsan M., On using neural networks in UAV structural design for CFD data fitting and classification, Aerospace Science and Technology, Vol. 30, No. 1, pp. 210-225, 2013.
  • پورفتاح ف.، زارعی نژاد آ.، ادهم پور م. و خردمند س.، پیش بینی ضرایب آیرودینامیکی ایرفویل‌های متقارن NACA با استفاده از شبکه عصبی مصنوعی. پانزدهمین کنفرانس دینامیک شاره‌ها (سیالات)،‌ایران، 1392.
  • حبیبی آ.، تخمین اثر سطح بر روی ضریب لیفت ایرفویل‌های متقارن NACA با استفاده از شبکه‌های عصبی مصنوعی. همایش یافته‌های نوین در هوافضا و علوم وابسته،‌ایران، 1394.
  • Abreu D., Manhães G.L.C., Maesta M.F., Junior V.L., Junior C.D.M, Faria C.T. and Inman, D.J., Active angular control of a sectioned airfoil using shape memory alloys and fuzzy controller. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 37(5), pp.1555-1567. 2015.
  • Erdal K., Ahmadieh Khanesar M., Rubio-Hervas J., and Reyhanoglu M., Learning control of fixed-wing unmanned aerial vehicles using fuzzy neural networks, International Journal of Aerospace Engineering 2017.
  • Jeet S.D., Verma N.K.,. Ghosh A.K, and Malagaudanvar A., Fuzzy systems practices for aerodynamic parameter modeling of the aircraft. In 2017 6th International Conference on Computer Applications In Electrical Engineering-Recent Advances (CERA) (pp. 462-467). IEEE. 2017.
  • Swei S.S. and Ayoubi M.A., LMI-based fuzzy optimal variance control of airfoil model subject to input constraints. In 2017 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE) (pp. 1-6). IEEE. 2017.
  • Babaei A.R., Setayandeh S.M.R. and Farrokhfal H., Multidisciplinary Design Optimization of an Unmanned Air Vehicle and Final Solution Selection Based on Fuzzy Satisfaction Degree Function. 2019.
  • Xu W., Kou J., and Zhang W. Unsteady aerodynamic modeling based on fuzzy scalar radial basis function neural networks. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering 233, no. 14, 5107-5121,
  • Massoud T., Sabour M.H. Reduced-order modeling of dynamic stall using neuro-fuzzy inference system and orthogonal functions. Physics of Fluids 32.4, 2020.
  • Muhao C., Liu J., Skelton R.E. Design and control of tensegrity morphing airfoils. Mechanics Research Communications 103, 2020.
  • Xinyu H., Bai J., Wang H., Zhang Y. Fast pressure distribution prediction of airfoils using deep learning. Aerospace Science and Technology 105, 2020.
  • Robert B., Fuzzy And Neural Control Disc Course Lecture Notes , 2001.
  • Rasheed M., AL-Qaisy A.A. Experimental Investigation of Aerodynamic Characteristics of NACA 23015 under different angles of attack and Comparison with Available Package. Mechanical Engineering Department. University of Technology Baghdad, 2008.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار