عنوان مقاله :
بهينه‌سازي چندهدفة سه‌بعدي خنككاري لايه اي در يك پرة توربين فشاربالا با استفاده از الگوريتم ژنتيك - شبكة عصبي مصنوعي
عنوان به زبان ديگر :
Multi-objective 3d optimization of film cooling configurations in a high pressure vane based on genetic algorithm -artificial neural network
پديد آورندگان :
شهداد، محمد حسين دانشگاه صنعتي مالك اشتر - مجتمع دانشگاهي مكانيك و هوافضا، تهران , عدمي، محمود دانشگاه صنعتي مالك اشتر - مجتمع دانشگاهي مكانيك و هوافضا، تهران , مستوفي زاده، عليرضا دانشگاه صنعتي مالك اشتر - مجتمع دانشگاهي مكانيك و هوافضا، تهران
كليدواژه :
بهينه‌سازي چندهدفه , الگوريتم ژنتيك , شبكة عصبي مصنوعي , خنككاري لايه‌اي , پرة توربين گاز , حل تركيبي , ديناميك سيالات محاسباتي
چكيده فارسي :
در اين مقاله بهينه سازي چندهدفة خنككاري لايه‌اي يك رديف از سوراخهاي خنككاري پرة توربين يك موتور خاص به‌صورت سه‌بعدي بررسي شده است. هدف اين مقاله مقايسة كارايي خنك كاري لاي هاي و نرخ جريان جرمي خنككاري است كه اين دو تابع هدف از نظر نقطه اثر عكس هم ميباشند. براي اين منظور رقابت بين اين دو مورد بررسي شده و موقعيت سوراخهاي خنك كاري در جهت وتر، به‌همراه قطر و زاوية تزريق به‌عنوان پارامترهاي طراحي انتخاب شده‌اند. سپس 30 نمونه به‌عنوان دادة اوليه از تحليل ديناميك سيالات محاسباتي ايجاد و از روش شبكه عصبي مصنوعي براي ايجاد مدل جايگزين به‌منظور تقريب تابع بهينه‌سازي پارامترهاي طراحي و از الگوريتم ژنتيك براي بهنيه‌سازي مدل استفاده شده است. الگوي طراحي در الگوريتم ژنتيك، شش مرتبه به تناوب تكرار شده و مدل بهينه براي تابع هدف به‌دست آمده است. در نهايت موقعيت بهينة سوراخهاي خنك كاري نزديك LE با قطر و زاوية تزريق به‌ترتيب 0/447 و 73/575 به‌دست آمد. مقايسة نتايج CHT هندسة پرة بهينه‌شده با هندسة اوليه نتايج بهينه‌سازي را تأييد مي‌كند و نشان مي‌دهد كه به كاهش چشمگير توزيع دمايي روي ايرفويل منجر شده است.
چكيده لاتين :
In this paper, the optimum parameters of a row of cylindrical film cooling holes has been investigated using a multi-objective evolutionary approach so as to achieve a compromise between film cooling effectiveness and coolant massflow rate which are in opposite directions and compete with each other. For this purpose, chordwise position of film holes, as well as diameter and injection angles were chosen as design parameters. Thirty samples were generated as database through CFD runs and artificial neural network (ANN) method was used to construct the surrogate model to approximate the optimization targets as functions of design parameters and genetic algorithm (GA) was used as optimizer. Design iterations were repeated 6 times and optimum configuration resulted in objective function values was found.
عنوان نشريه :
دانش و فناوري هوافضا
