پیوندهای مفید
آمار
| تعداد نشریات | 9 |
| تعداد شمارهها | 448 |
| تعداد مقالات | 5,737 |
| تعداد مشاهده مقاله | 8,060,397 |
| تعداد دریافت فایل اصل مقاله | 6,560,738 |
بهبود ضرایب آیرودینامیکی ایرفویل با تغییرشکل آزاد به کمک شبکههای عصبی و الگوریتم ژنتیک | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 1، دوره 53، شماره 7، مهر 1400، صفحه 4113-4132 اصل مقاله (2.48 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2021.18982.6932 | ||
| نویسندگان | ||
| محسن کاظمی1؛ امیرحسین فردی1؛ محمد جواد مغربی* 2 | ||
| 1گروه مهندسی مکانیک ، دانشکده مهندسی ، دانشگاه فردوسی مشهد ، مشهد ، ایران | ||
| 2گروه مهندسی مکانیک، دانشکده مهندسی ، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| چکیده | ||
| با ظهور ایرفویلهای تغییرشکلپذیر، آیرودینامیک ایرفویل توربینهای بادی و بالها دچار تغییرات زیادی شد. در این پژوهش ضرایب آیرودینامیکی ایرفویل تغییر شکلپذیر بر مبنای ناکا۰۰۱۵ در محدوده عدد رینولدز 105 تا 106 و زاویه حملهی 0 تا 12 درجه به کمک شبکه عصبی مصنوعی و الگوریتم ژنتیک بهینهسازی شدهاست. ابتدا ایرفویلها به وسیله نقاط کنترل تصادفی در نرم افزار متلب تولید و در نرم افزار گمبیت شبکهبندی شدند، سپس در نرم افزار انسیس به صورت دوبعدی شبیهسازی شدند. نتایج حاصل از شبیهسازی شامل ضرایب برآ و پسآ، نقطهی جدایش و مرکز فشار به همراه نقاط کنترل ایرفویل برای آموزش شبکه عصبی مورد استفاده قرارگرفتند. تابع آموزش دیده شبکه عصبی به عنوان تابع ورودی به الگوریتم ژنتیک داده میشود تا ضرایب مورد نظر بهینهسازی شوند. ضریب برآ، مرکز فشار، نقطهی جدایش و نسبت ضریب برآ به پسآ به صورت تک هدفه بهینهسازی شدند، در بهینهسازی تک هدفه ضریب برآ با استفاده از ایرفویل تغییرشکلپذیر مقدار ضریب برآ 18% افزایش یافت. همچنین ضریب برآ و مرکز فشار، ضریب برآ و پسآ به صورت دو هدفه بهینهسازی شدند. در بهینهسازی دو هدفه ضریب برآ و پسآ، با تغییر شکل ایرفویل مقادیر آنها به ترتیب در 0/8 و 0/03 کنترل شد. | ||
| کلیدواژهها | ||
| ایرفویل تغییرشکلپذیر؛ دینامیک سیالات محاسباتی؛ شبکه عصبی مصنوعی؛ الگوریتم ژنتیک | ||
| عنوان مقاله [English] | ||
| Improvement of aerodynamic coefficients of the airfoil with free form deformation with the aid of Artificial Neural Networks and Genetic Algorithm | ||
| نویسندگان [English] | ||
| Mohsen Kazemi1؛ Amirhossein Fardi1؛ Mohammad Javad Maghrebi2 | ||
| 1Department of mechanical engineering , faculty of engineering , Ferdowsi University of Mashhad , Mashhad , Iran | ||
| 2Department of mechanical engineering , faculty of engineering , Ferdowsi University of Mashhad, Mashhad, Iran | ||
| چکیده [English] | ||
| With the advent of morphing airfoils, the aerodynamics of wind turbines and wings underwent many changes. In this study, the aerodynamic coefficients of morphing airfoil based on NACA 0015 are optimized in the range of Reynolds number 105 to 106 and the angle of attack 0 to 12 degrees using Artificial Neural Network (ANN) and Genetic Algorithm (GA). First, the airfoils were created in MATLAB software by random control points and mesh generated in Gambit software, then in two-dimensional Ansys software were simulated. The simulation results, including lift and drag coefficients, separation point and pressure center, with control points were used to train the Artificial Neural Network (ANN). The trained function is given as an input function to the Genetic Algorithm (GA) to optimize the desired coefficients. Lift coefficient, center of pressure, separation point and lift to drag ratio were optimized as a single objective, In single-objective optimization, the lift coefficient was increased by 18% using the morphing airfoil. Also, the lift coefficient and the center of pressure, the lift coefficient and the drag coefficient were optimized as the dual-objectives optimization. In the optimization of the dual objectives, lift and drag coefficients were controlled by 0.8 and 0.03, respectively, by the morphing airfoils. | ||
| کلیدواژهها [English] | ||
| Power coefficient, Computational fluid dynamic, Darrieus wind turbine, Artificial neural network, Genetic algorithm | ||
| مراجع | ||
|
[1] R.D. Kornbluh, R. Pelrine, Q. Pei, S. Oh, J. Joseph, Ultrahigh strain response of field-actuated elastomeric polymers, in: Smart Structures and Materials 2000: Electroactive Polymer Actuators and Devices (Eapad), International Society for Optics and Photonics, 2000, pp. 51-64. [2] D.P. Garg, M.A. Zikry, G.L. Anderson, Current and potential future research activities in adaptive structures: an ARO perspective, Smart materials and structures, 10(4) (2001) 610. [3] E. Hoogedoorn, G.B. Jacobs, A. Beyene, Aero-elastic behavior of a flexible blade for wind turbine application: A 2D computational study, Energy, 35(2) (2010) 778-785. [4] B. Gardner, M. Selig, Airfoil design using a genetic algorithm and an inverse method, in: 41st Aerospace Sciences Meeting and Exhibit, 2003, pp. 43. [5] K.R. Ram, S. Lal, M. Rafiuddin Ahmed, Low Reynolds number airfoil optimization for wind turbine applications using genetic algorithm, Journal of Renewable and Sustainable Energy, 5(5) (2013) 052007. [6] C. Thill, J. Etches, I. Bond, K. Potter, P. Weaver, Morphing skins, The aeronautical journal, 112(1129) (2008) 117-139. [7] J.-W. Lee, J.-H. Han, H.-K. Shin, H.-J. Bang, Active load control of wind turbine blade section with trailing edge flap: Wind tunnel testing, Journal of intelligent material systems and structures, 25(18) (2014) 2246-2255. [8] S. Daynes, P.M. Weaver, A morphing trailing edge device for a wind turbine, Journal of Intelligent Material Systems and Structures, 23(6) (2012) 691-701. [9] A. De Gaspari, S. Ricci, Knowledge-based shape optimization of morphing wing for more efficient aircraft, International Journal of Aerospace Engineering, 2015 (2015). [10] L. Weishuang, T. Yun, L. Peiqing, Aerodynamic optimization and mechanism design of flexible variable camber trailing-edge flap, Chinese Journal of Aeronautics, 30(3) (2017) 988-1003. [11] A. Nejat, P. Mirzabeygi, M.S. Panahi, Airfoil shape optimization using improved Multiobjective Territorial Particle Swarm algorithm with the objective of improving stall characteristics, Structural and Multidisciplinary Optimization, 49(6) (2014) 953-967. [12] H. Wen, S. Sang, C. Qiu, X. Du, X. Zhu, Q. Shi, A new optimization method of wind turbine airfoil performance based on Bessel equation and GABP artificial neural network, Energy, 187 (2019) 116106. [13] M. Fatehi, M. Nili-Ahmadabadi, O. Nematollahi, A. Minaiean, K.C. Kim, Aerodynamic performance improvement of wind turbine blade by cavity shape optimization, Renewable Energy, 132 (2019) 773-785. [14] N. Ma, H. Lei, Z. Han, D. Zhou, Y. Bao, K. Zhang, L. Zhou, C. Chen, Airfoil optimization to improve power performance of a high-solidity vertical axis wind turbine at a moderate tip speed ratio, Energy, 150 (2018) 236-252. [15] S. Acarer, Peak lift-to-drag ratio enhancement of the DU12W262 airfoil by passive flow control and its impact on horizontal and vertical axis wind turbines, Energy, 201 (2020) 117659. [16] M. Hazewinkel, Encyclopaedia of Mathematics, in, Springer Science & Business Media, 1997. [17] R.K.N. Parasaram, T. Charyulu, Airfoil Profile Design by Reverse Engineering Bezier Curve, International Journal of Mechanical Engineering and Robotics Research, 1(3) (2012) 410-420. [18] F.M.White, Fluid Mechanics, 8th edition ed., McGraw-Hill, NY, 2016. [19] H.K. Versteeg, W. Malalasekera, An introduction to computational fluid dynamics: the finite volume method, Pearson education, 2007. [20] M. Kaewbumrung, W. Tangsopa, J. Thongsri, Investigation of the trailing edge modification effect on compressor blade aerodynamics using SST k-ω turbulence model, Aerospace, 6(4) (2019) 48. [21] G. Srinivasan, J. Ekaterinaris, W. McCroskey, Evaluation of turbulence models for unsteady flows of an oscillating airfoil, Computers & Fluids, 24(7) (1995) 833-861. [22] C. Rethmel, J. Little, K. Takashima, A. Sinha, I. Adamovich, M. Samimy, Flow separation control using nanosecond pulse driven DBD plasma actuators, International Journal of Flow Control, 3(4) (2011). [23] F. Rosenblatt, The perceptron: a probabilistic model for information storage and organization in the brain, Psychological review, 65(6) (1958) 386. [24] K. Chakraborty, S. Bhattacharyya, R. Bag, A.A. Hassanien, Sentiment analysis on a set of movie reviews using deep learning techniques, Social Network Analytics: Computational Research Methods and Techniques, (2018) 127. [25] D.E. Goldberg, Genetic algorithms in search, optimization, and machine learning. Addison, Reading, (1989). [26] A. Konak, D.W. Coit, A.E. Smith, Multi-objective optimization using genetic algorithms: A tutorial, Reliability engineering & system safety, 91(9) (2006) 992-1007. [27] K. Deb, A. Pratap, S. Agarwal, T. Meyarivan, A fast and elitist multiobjective genetic algorithm: NSGA-II, IEEE transactions on evolutionary computation, 6(2) (2002) 182-197. | ||
|
آمار تعداد مشاهده مقاله: 1,738 تعداد دریافت فایل اصل مقاله: 2,711 |
||