آمار

تعداد نشریات7
تعداد شماره‌ها399
تعداد مقالات5,389
تعداد مشاهده مقاله5,288,041
تعداد دریافت فایل اصل مقاله4,882,776
نوابی, محمد, حسینی, شهرام, شانه ای, هادی. (1398). طراحی سریع و بهینه پرنده داکت‌فن عمودپرواز دم‌نشین با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات. نشریه مهندسی عمران امیرکبیر, 52(12), 3353-3368. doi: 10.22060/mej.2019.16388.6352
محمد نوابی; شهرام حسینی; هادی شانه ای. "طراحی سریع و بهینه پرنده داکت‌فن عمودپرواز دم‌نشین با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات". نشریه مهندسی عمران امیرکبیر, 52, 12, 1398, 3353-3368. doi: 10.22060/mej.2019.16388.6352
نوابی, محمد, حسینی, شهرام, شانه ای, هادی. (1398). 'طراحی سریع و بهینه پرنده داکت‌فن عمودپرواز دم‌نشین با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات', نشریه مهندسی عمران امیرکبیر, 52(12), pp. 3353-3368. doi: 10.22060/mej.2019.16388.6352
نوابی, محمد, حسینی, شهرام, شانه ای, هادی. طراحی سریع و بهینه پرنده داکت‌فن عمودپرواز دم‌نشین با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات. نشریه مهندسی عمران امیرکبیر, 1398; 52(12): 3353-3368. doi: 10.22060/mej.2019.16388.6352

طراحی سریع و بهینه پرنده داکت‌فن عمودپرواز دم‌نشین با استفاده از شبکه عصبی و الگوریتم ازدحام ذرات

نشریه مهندسی مکانیک امیرکبیر
مقاله 3، دوره 52، شماره 12، اسفند 1399، صفحه 3353-3368    اصل مقاله (1008.23 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22060/mej.2019.16388.6352
نویسندگان
محمد نوابی* 1؛ شهرام حسینی1؛ هادی شانه ای2
1دانشگاه شهید بهشتی
2دانشکده مهندسی هوافضا، دانشگاه صنعتی خواجهنصیرالدین طوسی
چکیده
با توجه به عملکرد بهینه و کاربردهای نوین داکت‌فن‌ها به‌ویژه در مأموریت‌های پهپادی، هدف این مقاله ارائه روشی بهینه و سریع برای طراحی این پرنده‌ها بر اساس ابزارهای نوین ریاضی و تحلیلی است که در سال‌های اخیر موجب بهبود و تسریع بسیاری از فرایند‌های زمان‌بر مهندسی شده است. در این روش طراحی جدید که تمرکز آن بر افزایش سرعت طراحی است، ابتدا با استفاده از روش تئوری مومنتوم، طراحی اولیه‌ای انجام می‌گیرد و اولین تقریب برای ابعاد مقاطع مختلف داکت‌فن مانند قطر دهانه ورودی و خروجی، توان و نیروی رانش مشخص می‌شود. سپس با استفاده از اتصال نرم‌افزار MATLAB و یک نرم‌افزار طراحی داکت‌فن با عنوان کد طراحی داکت‌فن (DFDC)، با استفاده از ایرفویل‌های مختلف، چندین طرح بهینه برای داکت‌فن، با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات و بهینه‌سازی مستقیم استخراج می‌شود. دامنه جستجوی فضای بهینه‌سازی در این الگوریتم، از طراحی اولیه با روش تئوری مومنتوم و خرو‌جی‌های متعدد مشاهده شده از نرم‌افزار DFDC به دست می‌آید. در گام آخر یک شبکه عصبی پرسپترون چندلایه به وسیله الگوریتم پس انتشار خطا بر طبق اطلاعات به‌دست‌آمده از بهینه‌سازی‌ها آموزش می‌بیند. این شبکه عصبی با استفاده از چندین نمونه ایرفویل مختلف آموزش داده و سپس صحت سنجی می‌شود. بر اساس دقت مورد نیاز تعداد نمونه کافی برای آموزش نیز استخراج می‌گردد. شبکه به دست آمده برای طراحی سریع و بهینه یک پرنده جدید قابل استفاده خواهد بود.
کلیدواژه‌ها
طراحی بهینه؛ داکتفن؛ ازدحام ذرات؛ شبکه عصبی؛ پس انتشار خطا
عنوان مقاله [English]
Rapid and optimal design of a tail-sitter VTOL ducted fan using a neural network and PSO algorithm
نویسندگان [English]
M. Navabi1؛ shahram hosseini1؛ Hadi shanei2
1Shahid Beheshti University
2Khaje Nasir Toosi University of Technology
چکیده [English]
Considering the optimal performance and new applications of the ducted fans, especially 
in unmanned aerial vehicle missions, this paper aims to provide an optimal and rapid method for designing 
aerial vehicles based on new mathematical and analytical tools which improved and accelerated many of 
the long engineered processes. In this new fast design method, an initial design is carried out based on 
the momentum theory. Then by connecting the matrix laboratory and a ducted fan design code software, 
several optimal design schemes for the duct are extracted by the particle swarm optimization and direct 
algorithm. The parameters search domain in the algorithm is obtained from the initial design with the 
momentum theory method and the various results of optimization software, in the case. Finally, in order 
to obtain the final duct design, according to the optimized information, a multilayer perceptron neural 
network using an error backpropagation algorithm is trained which in order to obtain the optimal training 
samples and the network output validations, the neural network is trained and test by 28 airfoils sample. 
In the redesign loops, without a time-consuming optimization, the trained neural model can extract the 
duct parameters very quickly, based on the constraints of structure, control design, and mission targets. 
کلیدواژه‌ها [English]
Optimal Design, Ducted Fan, Particle Swarm, Neural Network, Back propagation
سایر فایل های مرتبط با مقاله
مراجع
  1. R.  Mogili,  B.B.V.L.  Deepak,  Review  on  application of drone systems in precision agriculture, Procedia computer science, 133 (2018) 502-509.
  2. S. Saeed, A.B. Younes, S. Islam, J. Dias, L. Seneviratne, G. Cai, A review on the platform design, dynamic modeling and control of hybrid UAVs, in: International Conference on Unmanned Aircraft Systems (ICUAS) IEEE, 2015, pp. 806-815.
  3. Bouabdallah, P. Murrieri, R. Siegwart, Towards autonomous indoor micro VTOL, Autonomous robots, 18(2) (2005) 171-183.
  4. F. Nemnem, M.Y. Zakaria, A.M. Elzahaby, Contra- rotating ducted fan aerothermodynamic design procedure for unmanned applications, AIAA Information Systems- AIAA Infotech@ Aerospace, (2018) 0745.
  5. Cho, S. Lee, J. Cho, Numerical and experimental analyses of the ducted fan for the small VTOL UAV propulsion, Transactions of the Japan Society for Aeronautical and Space Sciences, 56(6) (2013) 328-336.
  6. RYU, L. CHO, J. CHO, Aerodynamic Analysis of the Ducted Fan for a VTOL UAV in Crosswinds, Transactions of the Japan Society for Aeronautical and Space Sciences, 59(2) (2016) 47-55.
  7. E. Nelson, The Ducted Fan in VTOL Aircraft Design, Journal of the American Helicopter Society, 4(1) (1959).
  8. Bogdański, e. al., Design and optimization of low speed ducted fan for a new generation of joined wing aircraft, in: Proceedings of the 29th Congress of International Council of the Aeronautical Sciences, Sankt Petersburg, 2014.
  9. Guerrero, e. al., A powered lift aerodynamic analysis for the design of ducted fan uavs, in: 2nd AIAA Unmanned Unlimited Conf. and Workshop & Exhibit, 2003.
  10. WEIR, Aerodynamic design considerations for a free-flying ducted propeller, in: 15th Atmospheric Flight Mechanics Conference, 1988, pp. 4377.
  11. Shur, M. Strelets, A. Travin, J. Christophe, K. Kucukcoskun, C. Schram, S. Sack, M. Åbom, Experimental/numerical study of ducted-fan noise: effect of duct Inlet shape, AIAA Journal, 56(3) (2017) 979-996.
  12. Akturk, C. Camci, Double ducted fan (DDF) as a novel ducted fan inlet lip separation control device, in: International Powered Lift Conference, 2010.
  13. Qing, Y. Hu, Y. Wang, Z. Liu, X. Fu, W. Liu, Kriging assisted integrated rotor-duct optimization for ducted fan in hover, in: AIAA Scitech 2019 Forum, 2019, pp. 0007.
  14. F.D. Piolenc, E.W. George, Ducted fan design, 1 ed., MASS Flow, 2001.
  15. Ko, O. Osgar, P. Gelhausen, Ducted fan UAV modeling and simulation in preliminary design, in: AIAA modeling and simulation technologies conference and exhibit, 2007.
  16. Bontempo, M. Manna, Effects of duct cross section camber and thickness on the performance of ducted propulsion systems for aeronautical applications, International Journal of Aerospace Engineering, (2016).
  17. M. Pflimlin, P. Binetti, D. Trouchet, P. Soueres, T. Hamel, Aerodynamic modeling and practical attitude stabilization of a ducted fan UAV, in: European Control Conference (ECC) Kos, 2007, pp. 4023-4029.
  18. Drela, H. Youngren, Axisymmetric analysis and design of ducted rotors, in: DFDC Software Manual, 2005.
  19. Sheng, C. Sun, A near-hover adaptive attitude control strategy of a ducted fan micro aerial vehicle with actuator dynamics, Applied Sciences, 5 (2015).
  20. S. Pierson, A.A. Willem, Benchmarking a robust panel code for ducted fan VTOL aircraft design, in: Applied Aerodynamics Conference AIAA, Atlanta, Georgia, 2018.
  21. Kennedy, R. E., Particle Swarm Optimization, in: Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia, 1995
  22. Mezura-Montes, C.A.C. Coello, Constraint-handling in nature-inspired numerical optimization: past, present and future, Swarm and Evolutionary Comp, 1(4) (2011) 173-194.
  23. E.H. Pe, Good parameters for particle swarm optimization, in: Hvass Lab., Copenhagen, Denmark, Tech. Rep. HL1001, 2010.
  24. Hecht-Nielsen, Theory of the backpropagation neural network, Academic Press, 1992.
  25. Karlik, A.V. Olgac, Performance analysis of various activation functions in generalized MLP architectures of neural networks, International Journal of Artificial Intelligence and Expert Systems, 1(4) (2011) 111-122.
  26. A. Suratgar, M.B. Tavakoli, A. Hoseinabadi, Modified Levenberg-Marquardt   method   for   neural   networks training, World Acad Sci Eng Technol, 6(1) (2005) 46- 48.
آمار
تعداد مشاهده مقاله: 905
تعداد دریافت فایل اصل مقاله: 1,636


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب