Buradasınız

Anasayfa » Content

LÜLE TASARIMINDA YAPAY ZEKA KULLANIMI

Using Artificial Intelligence in Nozzle Design

Journal Name:

  • Havacılık ve Uzay Teknolojileri Dergisi

Publication Year:

  • 2005

Key Words:

Keywords (Original Language):

Author Name
Abstract (2. Language): 
In this study, nozzle shape development problem is investigated. Nozzle flow analysis is performed by using quasi one dimensional Euler equations, which are solved by using finite volume technique and Roe flux splitting scheme. Nozzle geometry is constructed to get desired flow by utilizing an augmented genetic algorithm with artificial neural networks. In this algorithm, a properly trained neural network is used for predicting the nozzle shape instead of predicting its computational fluid dynamics calculation. At each step of the genetic process, by using the target flow solution as an input the trained neural network produces a nozzle shape, which is a candidate solution of the problem. Adding this candidate to the population improves the exploration power of the genetic process. The results indicate that the nozzle design can be performed successfully and quickly by using the implemented algorithm.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada, belli bir akış şartını sağlayan lüle geometrisinin tasarlanması problemi ele alınmıştır. Lüle içerisindeki transonik ve sesüstü akış için sanki bir boyutlu Euler denklemlerinin, sonlu hacim ve Roe akı ayırma yöntemleri kullanılarak çözümleri yapılmıştır. İstenilen akış şartlarını sağlayan lüle geometrisinin elde edilmesi için yapay zeka yöntemi olarak, yapay sinir ağı ile güçlendirilmiş bir genetik algoritma kullanılmıştır. Bu teknikte yapay sinir ağı, genetik sürecin her adımında, lüle geometrisini tahmin etmek için kullanılmış ve bu şekilde genetik işlemlerle üretilen popülasyon güçlendirilmiştir. Süpersonik akış koşullarında yapılan uygulamalar, kullanılan algoritmanın hedeflenen lüle geometrisini çabuklukla elde etmede başarılı olduğunu göstermiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-lule-tasariminda-yapay-zeka-kullanimi.pdf
  • 1
1
7
  • Turkish

REFERENCES

References: 

[1] Hazarika, N., Tuncer, İ.H., and Lowe, D., “An
Inverse Design Procedure for Airfoils Using
Artificial Neural Networks”, ICAS 1998.
[2] Rai, M. M. and Madavan, N. K., “Aerodynamic
Design using Neural Networks”, AIAA Journal,
Vol. 38, No. 1, 2000.
[3] Papila, N., “Neural Network and Polynomial-
Based Response Surface Techniques for
Supersonic Turbine Design Optimization”, PhD
thesis, University of Florida, 2001.
[4] Tse, D.C.M. and Chan, L.Y.Y., “Application of
Micro Genetic Algorithms and Neural Networks
for Airfoil Design Optimization”, RTO MP-035
Aerodynamic Design and Optimization of Flight
Vehicles in a Concurrent Multi-Disciplinary
Environment, 1999.
[5] Giannakoglou, K. C., “Acceleration GAs using
ANN- Theoretical Background,” GAs for
Optimization in Aeronautics and
Turbomachinery, von Karman Institute for Fluid
Dynamics, Lecture Series 2000-07.
[6] Hacıoğlu, A., “Yapay Sinir Ağı İle
Güçlendirilmiş Genetik Algoritma ve Tersten
Kanat Profili Dizaynı”, HUTEN Havacılık ve
Uzay Teknolojileri Dergisi, Cilt 1, Sayı 3, 2004.
[7] Hacıoğlu, A., “Yapay Sinir Ağı ve Genetik
Algoritma Kullanarak Hızlı Aerodinamik
Dizayn”, Kayseri 5. Havacılık Sempozyumu,
2004, pp. 39-43.
[8] Hacıoğlu, A., “Aerodinamik Dizayn ve
Optimizasyonda Genetik Algoritma Kullanımı,”
Uçak Mühendisliği Programı Doktora Tezi,
İ.T.Ü. Fen Bilimleri Enstitüsü, İstanbul, 2003.
[9] Ibrahim, A.H., Hou, G.J.W, Surandra, N.T. and
Smith, R.E., “Aerodynamic Design Optimization
Using Euler Equations and Variational
Methods”, Computer and Fluids, Vol. 31, 2002,
pp. 227-243.
[10] Wang, X. and Damodaran, M., “Aerodynamic
Shape Optimization Using Computational Fluid
Dynamics and Parallel Simulated Annealing
Algorithms”, AIAA Journal, Vol. 39, No. 8,
2001.
[11] Periaux, J., Chen, H. Q., Mantel, B., Sefrioui, M,
and Sui, H.T., “Combining Game Theory and
Genetic Algorithms with Application To DDMNozzle
Optimization Problems” Finite Elements
in Analysis and Design, Vol. 37, 2001, pp.417-
429.
[12] Hoffmann, K.A. and Chiang, S.T.,
“Computational Fluid Dynamics for Engineers”,
Engineering Education System, Wichita, KS,
Vol. 2, 1993.
[13] Roe, P.L., “Approximate Riemann Solvers,
Parameter Vectors, and Difference Schemes”,
Journal of Computational Physics, Vol.43, 1981,
pp.347-372.
[14] Rumelhart, D. E., Hinton, G. E., and Williams, R.
J., “Learning Representations by Back
Propagating Errors”, Nature, 323, 1986, pp. 533-
536.
[15] Hacıoğlu, A. and Özkol, İ., “Transonic Airfoil
Design and Optimisation by using Vibrational
Genetic Algorithm,” Aircraft Engineering and
Aerospace Technology, Vol. 75, No 4, 2003.
[16] Eshelman, L.J. and Schaffer, J. D., “Real Coded
Genetic Algorithms and Interval Schemata,”
Foundations of Genetic Algorithms 2, Morgan
Kaufmann Publishers, 1993, pp.187-202.
0
50000
100000
150000
0 30 60 90 120 150
Üretilen Nesil
En İyi Uygunluk
A1
A2
Şekil 7. İterasyon özeti (transonik durum).
0.8
1.2
1.6
2
0 2 4 x (ft) 6 8 10
Kesit Yüksekliği (ft)
Hedef
Hesaplanan
Başlangıç
Şekil 8. Lüle geometrilerinin karşılaştırılması
(transonik akış).
Şekil 9. Mach sayısı dağılımlarının karşılaştırılması
(sesüstü akış).
0
0.5
1
1.5
2
2.5
0.0 2.0 4.0 x (ft) 6.0 8.0 10.0
M
Başlangıç
Hedef
Hesaplanan
Analitik
Lüle Tasarımında Yapay Zeka Kullanımı
HACIOĞLU
7
[17] Baker, J. E., “Reducing Bias and Inefficiency in
the Selection Algorithm,” Proceedings of the
Second International Conference on Genetic
Algorithms, Morgan Kaufmann Publishers, 1987,
pp.14-21.

Thank you for copying data from http://www.arastirmax.com