بهبود ضرايب آيروديناميكي ايرفويل با تغيير شكل آزاد به كمك شبكه‌هاي عصبي و الگوريتم ژنتيك

Improvement of aerodynamic coefficients of the airfoil with free form deformation with the aid of Artificial Neural Networks and Genetic Algorithm

با ظهور ايرفويل‌هاي تغييرشكل‌پذير، آيروديناميك ايرفويل توربين‌هاي بادي و بال‌ها دچار تغييرات زيادي شد. در اين پژوهش ضرايب آيروديناميكي ايرفويل تغيير شكل‌پذير بر مبناي ناكا0015 در محدوده عدد رينولدز 105 تا 106 و زاويه حمله‌ي 0 تا 12 درجه به كمك شبكه عصبي مصنوعي و الگوريتم ژنتيك بهينه‌سازي شده‌است. ابتدا ايرفويل‌ها به وسيله نقاط كنترل تصادفي در نرم افزار متلب توليد و در نرم افزار گمبيت شبكه‌بندي شدند، سپس در نرم افزار انسيس به صورت دو‌بعدي شبيه‌سازي شدند. نتايج حاصل از شبيه‌سازي شامل ضرايب برآ و پسآ، نقطه‌ي جدايش و مركز فشار به همراه نقاط كنترل ايرفويل براي آموزش شبكه عصبي مورد استفاده قرارگرفتند. تابع آموزش ديده شبكه عصبي به عنوان تابع ورودي به الگوريتم ژنتيك داده مي‌شود تا ضرايب مورد نظر بهينه‌سازي شوند. ضريب برآ، مركز فشار، نقطه‌ي جدايش و نسبت ضريب برآ به پسآ به صورت تك هدفه بهينه‌سازي شدند، در بهينه‌سازي تك هدفه ضريب برآ با استفاده از ايرفويل تغييرشكل‌پذير مقدار ضريب برآ 18% افزايش يافت. همچنين ضريب برآ و مركز فشار، ضريب برآ و پسآ به صورت دو هدفه بهينه‌سازي شدند. در بهينه‌سازي دو هدفه ضريب برآ و پسآ، با تغيير شكل ايرفويل مقادير آن‌ها به ترتيب در 0/8 و 0/03 كنترل شد.

With the advent of morphing airfoils, the aerodynamics of wind turbines and wings underwent many changes. In this study, the aerodynamic coefficients of morphing airfoil based on NACA 0015 are optimized in the range of Reynolds number 105 to 106 and the angle of attack 0 to 12 degrees using Artificial Neural Network (ANN) and Genetic Algorithm (GA). First, the airfoils were created in MATLAB software by random control points and mesh generated in Gambit software, then in two-dimensional Ansys software were simulated. The simulation results, including lift and drag coefficients, separation point and pressure center, with control points were used to train the Artificial Neural Network (ANN). The trained function is given as an input function to the Genetic Algorithm (GA) to optimize the desired coefficients. Lift coefficient, center of pressure, separation point and lift to drag ratio were optimized as a single objective, In single-objective optimization, the lift coefficient was increased by 18% using the morphing airfoil. Also, the lift coefficient and the center of pressure, the lift coefficient and the drag coefficient were optimized as the dual-objectives optimization. In the optimization of the dual objectives, lift and drag coefficients were controlled by 0.8 and 0.03, respectively, by the morphing airfoils.