به كار گيري شبكه هاي عصبي مصنوعي در تحليل عملكرد بالستيك داخلي موتور راكت هاي سوخت جامد

براي دستيابي به جداول تير راكت‌هاي سوخت جامد به منحني دقيق نيروي پيشران نياز است. در اين موتورها، دماي اوليه‌ي سوخت تاثير قابل‌ملاحظه‌اي بر روي پروفيل نيروي پيشران دارد. در روش‌هاي متداول كنوني از طريق تجربي اثر دما بر روي نرخ سوزش اندازه‌گيري شده و سپس با استفاده از روابط ترموديناميكي، منحني نيروي پيشران محاسبه مي‌گردد. در هر صورت به دليل فرض‌هاي ساده كننده‌اي كه در به دست آوردن اين روابط استفاده مي‌شوند، منحني محاسبه شده همواره با منحني به دست آمده از آزمون استاتيك مطابقت ندارد. در اين مقاله ديدگاه جديدي مطرح مي‌گردد. انگيزه‌ي اين ديدگاه از شبكه‌هاي عصبي مصنوعي گرفته شده است. در اينجا نتايج به دست آمده از آزمايش‌هاي تجربي در سه دماي مختلف به شبكه‌ي عصبي آموزش داده مي‌شوند و سپس از شبكه‌ي آموزش‌ديده براي توليد منحني نيروي پيشران در دماهاي مختلف در محدوده‌ي آموزش و خارج از آن استفاده مي‌شود. سودمندي ديدگاه جديد بر روي يك راكت سوخت جامد ارزيابي شده و نتايج به دست آمده مزيت روش بكار گرفته شده را نشان مي‌دهد.

Rocket firing table calculations need an exact propulsion thrust curves. In solid motors, initial propellant temperature has considerable effect on thrust curves. In classic methods, effect of temperature on burning rate was obtained from empirical tests and thrust curve in different temperatures are then calculated from thermo-dynamical relations. Anyway the calculated thrust curves using simplified assumptions for obtaining these relations donʹt match with real data obtained from test stand. In this paper a new approach is described. The motivation for this work comes from the field of artificial neural networks. Artificial neural networks are trainable, highly parallel computational devices which have been successfully used in difficult artificial intelligence tasks such as pattern-recognition, image processing, and optimization. Herein, the results of empirical data in three different temperatures are used to train a feed forward multilayer neural network in an off-line session. The network is then used effectively for producing trust curve in different temperature for firing table calculations. The efficacy and details of this approach have been successfully demonstrated on a solid rocket thrust propulsion curve and simulation results show the efficiently of this method.