پايش بلادرنگ داده هاي آزمون هاي كاليبراسيون تونل باد و تعميم آن مبتني بر شبكه عصبي رگرسيون عمومي (GRNN)

پايش بلادرنگ داده هاي آزمون هاي كاليبراسيون تونل باد و تعميم آن مبتني بر شبكه عصبي رگرسيون عمومي (GRNN)

انجام آزمون هاي مدل اجسام پرنده در تونل باد با شرايط جرياني مناسب تاثير به سزايي در ميزان كيفيت طراحي و بهينه سازي آن ها داشته و در نتيجه نقش عمده‌اي در ايجاد اعتماد بين صنايع و كارفرماها دارد. در فرآيند كاليبراسيون تونل باد، پارامترهاي جريان عبوري از محفظه آزمون تونل باد، اعم از توزيع سرعت و فشار، ميزان يكنواختي، اغتشاش و زاويه جريان و نيز دقت اطلاعات و ... به دست آورده مي شود. اين فرآيند به دليل داشتن طيف وسيعي از اعداد ماخ و ابعاد نسبتاً بزرگ محفظه آزمون تونل باد بسيار زمان بر و پرهزينه است. در اين تحقيق، جهت غلبه بر اين مشكلات و صرفه جويي در زمان و هزينه، آزمون هايي در مقاطعي از محفظه آزمون در چند عدد ماخ انجام شده و داده هاي مورد نظر اندازه گيري و اخذ شده است. سپس، براي بدست آوردن داده ها در ساير مقاطع و اعداد ماخ فيمابين از روش محاسبات نرم استفاده شده است. در واقع، با پايش بلادرنگ و داده كاوي مبتني بر شبكه عصبي (GRNN)روي نتايج كاليبراسيون تونل باد و آموزش اين شبكه، نتايج مورد نظر در آن نقاط به دست آمده است. در اين مقاله، نشان داده شده كه شبكه عصبي رگرسيون عمومي بر روش هاي متداول تخمين توابع، نظير حداقل مربعات، برتري كامل دارد. با به كارگيري اين تكنيك هوشمند، تعداد دفعات آزمون تا 50 درصد تقليل يافته و درنهايت هزينه و زمان انجام آزمون ها براي كاليبراسيون تونل باد به همين نسبت كاهش مي يابد.

Wind tunnel tests with good flow conditions have great roles in the design and optimization of models of flying vehicles. It is crucial to obtain test section flow parameters, such as velocity and pressure distribution, as well as uniformity along with the direction of the flow in the calibration tests. This process is very expensive and time consuming due to large Mach number range, especially for relatively large sizes of wind tunnel test section. To overcome these problems, the calibration tests were done in the specified sections and Mach number and the results were extracted for other sections and Mach numbers by soft computing. With real time monitoring of wind tunnel data, based on GRNN and the network training, the related data in other sections and Mach numbers were estimated. It was shown that the GRNN is more capable with respect to classical methods for estimating non-linear functions, such as least square method. Cost, time, and wind tunnel calibration tests were decreased extensively using this intelligent technique.