بهينه سازي طراحي چند موضوعي يك هواپيماي بي سرنشين و انتخاب حل نهايي براساس تابع درجه رضايت مندي فازي

Multidisciplinary Design Optimization of an Unmanned Air Vehicle and Final Solution Selection Based on Fuzzy Satisfaction Degree Function

در اين مقاله، يك ساختار جامع براي بهينه سازي طراحي چندموضوعي هواپيماهاي بي سرنشين بيان و سپس جهت اعتبارسنجي آن بهينه-سازي طراحي هواپيماي بي سرنشين Predator MQ-1 مورد بررسي قرار گرفته است. موضوعات درگير در آناليز چندموضوعي عبارتند از: عملكرد، آيروديناميك، تخمين جرم، مركز جرم و ممان اينرسي ها، تخمين مشتقات پايداري و كنترل، تريم و تخمين مشخصه هاي پايداري ديناميكي. كمينه سازي وزن برخاست و نيروي پسآي فاز سير هدف هاي در نظر گرفته شده در اين تحقيق مي باشند. از آنجايي كه دو تابع هدف در نظر گرفته شده است از الگوريتم ژنتيك چند هدفه ( با مفهوم مرتب سازي نامغلوب) به عنوان بهينه ساز استفاده شده است كه قادر به ايجاد مجموعه اي از حل هاي بهينه تحت عنوان پرتو فرانت مي باشد. جهت انتخاب يك حل نهايي از ميان پرتو فرانت ها در اين مقاله روشي بر مبناي منطق فازي تحت عنوان درجه رضايت مندي مطرح گرديده است. از نقاط قوت اين تحقيق مي توان به جامعيت آن (تعداد موضوعات درگير در طراحي، تعداد متغيرهاي طراحي و قيود مساله) و همچنين ارائه يك روش ساده و موثر جهت انتخاب حل نهايي اشاره كرد. نتايج بهينه سازي نشان دهنده كارآمدي ساختار تدوين شده و همچنين روش پيشنهادي مي باشند.

In this paper, a comprehensive structure is expressed for multidisciplinary design optimization of the unmanned air vehicle and the design optimization of Predator MQ-1 has been studied for validation. The considered modules in the multidisciplinary analysis are performance, aerodynamic, weight, center of gravity, stability and control derivatives, trim and dynamic stability characteristics. The minimization of take-off weight and cruise drag are considered as objective functions. Since two objective functions are considered, therefore multi-objective genetic algorithm (with the non-dominated sorting concept) is used as optimizer which can generate set of optimal solutions as Pareto fronts. A method based on fuzzy logic named satisfaction degree function is expressed for final solution selection. The strengths of this paper are its comprehensiveness (the number of design modules, the number of design variables and constraints) and the presentation of a simple and efficient method for final solution selection. The optimization results show the effectiveness of the structured framework and suggested method.