مقايسه روش هاي متامدل ساختار تابع پايه تطبيق پذير و شبكه عصبي مصنوعي در طراحي گرين فينوسيل

Comparing Metamodel Methods of Adaptive Basis Function Construction and Artificial Neural Network in Finocyl Grain Design

طراحي گرين مهمترين بخش طراحي موتور سوخت جامد مي باشد، در اين مقاله هدف طراحي گرين فينوسيل بر اساس توابع هدف از پيش تعيين شده با توجه به نمودارهاي بالستيكي مي باشد تا انواع الزامات تراست عملكردي را از طريق يك روش طراحي نوآورانه با بهره گيري از الگوريتم بهينه سازي ژنتيك، ارضا نمايد . به منظور نمونه برداري در فضاي طراحي از روش نمونه برداري كلاسيك استفاده شده است. براي شبيه سازي پسروي سطح سوزش گرين سوخت روش سطوح همتراز انتخاب شده است، در كنار كد سطوح همتراز الگوريتمي توسعه داده شده است كه شكل اوليه گرين را با استفاده از كد نگارش شده در محيط نرم افزار پرواينجينير به عنوان مدلهاي توليدي به كد سطوح همتراز ارسال نمايد. به منظور تحليل بالستيك داخلي، از روش صفر بعدي استفاده شده است. دو روش متامدل، اولي بر اساس روش ساختار تابع تطبيق پذير و دومي بر اساس يك روش شبكه عصبي مصنوعي تحت عنوان پرسپترون چند لايه به عنوان جايگزين روش سطوح همتراز در حلقه طراحي بهينه استفاده مي گردد. در انتهاي اين كار به منظور اعتبارسنجي الگوريتم ارائه شده يك نمونه گرين فينوسيل مورد بررسي قرار گرفته است و نتايج حاصله نشان مي دهد كه اين روش طراحي گرين، زمان طراحي را به طور قابل توجهي كاهش مي دهد و اين الگوريتم مي تواند در طراحي هر نوع گريني مورد استفاده قرار گيرد.

Grain design is the most important part of a solid rocket motor. The aim of this study is finocyl grain design based on predetermined objective function with respect to ballistic curves in order to satisfy various thrust performance requirements through an innovative design approach using a genetic algorithm optimization method. The classical sampling method has been used for design space-filling. The level set method has been used for simulating the evolution of the burning surface in the propellant grain. An algorithm has been developed beside the level set code that prepares the initial grain configuration using Pro/Engineer software to export generated models to level set code. The lumped method has been used to perform internal ballistic analysis. Two meta-models are used to surrogate the level set method in the optimization design loop. The first method is based on adaptive basis function construction and the second method is based on the artificial neural network. In order to validate the proposed algorithm, a grain finosyl sample has been investigated. The results show that both grain design method reduced the design time significantly and this algorithm can be used in designing of any grain configuration. In addition, data have more accuracy in grain design based on the artificial neural network, so this method is the more effective and practical method to grain burn-back training.