بهينه‌سازي نسبت سرعت جريان‌ القايي به توان الكتريكي مصرفي در محرك‌‌ پلاسمايي DBD به كمك شبكه‌ي عصبي مصنوعي و الگوريتم ژنتيك

Optimization of the ratio of induced flow velocity to electrical power consumption in the DBD plasma actuator using artificial neural network and genetic algorithm

محرك‌هاي پلاسمايي DBD، يكي از ابزارهاي نوين كنترل فعال جريان هستند كه در دهه‌ي گذشته توجه بسياري از پژوهشگران را به خود جلب كرده‌اند. عملكرد اين محرك‌ زماني بهينه است كه بيشترين سرعت ممكن را به ازاي واحد توان مصرفي، القا كند. از آنجا كه سرعت جريان القايي و همچنين توان مصرفي تابع متغيرهاي گوناگوني هستند، يافتن تركيبي كه منجر به بهترين عملكرد محرك مي‌شود، از اهميت بسزايي برخوردار است. در اين پژوهش به منظور بهينه سازي عملكرد محرك‌هاي پلاسمايي DBD، ابتدا با استفاده از روش طراحي آزمايش رويكرد عاملي كامل، اثر متغيرهاي الكتريكي (ولتاژ و فركانس حامل) و متغيرهاي هندسي (فاصله‌ي بين الكترودها، ضخامت دي‌الكتريك و پهناي الكترود پوشيده) بر سرعت جريان القايي و توان الكتريكي مصرفي در حالت تحريك پايا به طور جامع مورد بررسي تجربي قرار گرفته است. در ادامه با استفاده از شبكه‌ي عصبي مصنوعي پرسپترون چندلايه، يك مدل براي نسبت سرعت جريان القايي به توان مصرفي ارائه شده و اعتبار اين مدل به صورت آماري و تجربي صحه‌گذاري شده است. نتايج حاكي از ضريب تشخيص بالاي 95 درصد براي داده‌هاي آموزش و داده‌هاي آزمايش است. در پايان، مدل جايگزين ايجاد شده با استفاده از الگوريتم ژنتيك بهينه شده و مقدار بهينه‌ي متغيرهاي الكتريكي و هندسي تعيين شده است. براي سنجش اعتبار جواب بدست آمده، محركي بر مبناي متغيرهاي بهينه ساخته شده و نسبت سرعت به توان مصرفي آن برابر m/s/(kW/m 29.71 اندازه‌گيري شده است. اختلاف حدود 3 درصدي اين مقدار با مقدار پيش بيني شده توسط مدل، بيانگر دقت بالاي مدل و درستي روش ارائه شده است.

Dielectric barrier discharge (DBD) plasma actuators are one of the new devices for active flow control, which has received substantial attention during the last decade. The performance of the actuator is optimum when it induces the highest velocity per unit of power consumption. Since the induced velocity and the power consumption of the actuator depend on many different variables, finding the optimal set, which results in the best performance, is of immense importance. In this paper, in order to optimize the performance of these actuators, at first, by using full factorial design of experiments the effect of electrical variables (including voltage and frequency) and geometrical variables (including the gap between electrodes, dielectric thickness, and covered electrode width) on induced flow velocity and power consumption in steady actuation is experimentally investigated. Then, by using the multi-layer perceptron neural network, a model is created for the ratio of induced velocity to power consumption. The model is validated both statistically and experimentally. The results indicate that the coefficient of determination for training and test data is higher than 95 percent. Finally, the surrogate model is optimized by genetic algorithm and the optimal value of electrical and geometrical variables is determined. In order to validate the result, an actuator is designed based on the optimal set of variables and it’s ratio of velocity to power is measured to be 29.71 𝑚𝑠⁄𝑘𝑊𝑚⁄⁄. The difference of 3 percent between the measured and the predicted value demonstrates high accuracy and correctness of the proposed model and method.