بهينه سازي طراحي چند موضوعي چند هدفه هواپيماي هوانوردي عمومي

Multi-Objective Multidisciplinary Design Optimization of a General Aviation Aircraft

در اين مقاله، طراحي يك هواپيماي هوانوردي عمومي با استفاده از روش بهينه‌سازي طراحي چند موضوعي و به صورت چندهدفه ارائه شده است. در فازهاي اوليه طراحي، پيكره بندي اوليه ي هواپيما بر مبناي يك سري الزامات از پيش تعيين شده و مطالعات آماري تعيين مي گردد. سپس موضوعات طراحي مفهومي به منظور بهبود عملكرد در قالب ساختار امكان پذيري طراحي چندموضوعي مدل مي‌شوند. حلقه امكان پذيري طراحي چندموضوعي بر اساس انجام يك تحليل چندموضوعي كه شامل موضوعات موتور، وزن و سايزبندي، آيروديناميك، عملكرد و پايداري است، تشكيل شده است. قيود و الگوريتم هاي لحاظ شده در طراحي بر مبناي روش طراحي گودمانسون پياده سازي شده است. متغيرهاي طراحي با دقت و بر مبناي تحليل حساسيت روي اهداف بهينه سازي (كاهش وزن كل و افزايش برد) انتخاب شده‌اند. قيود پايداري استاتيكي نيز به منظور دست يافتن به يك طرح امكان پذير در طراحي لحاظ شده است. با استفاده از روش بهينه سازي تكاملي چند هدفه ژنتيك، مجموعه پاسخ هاي ممكن در قالب جبهه پرتو ارائه شده است. با انتخاب موتورهاي مختلف براي طراحي هواپيما و ارائه جبهه پرتو حاصل از فرايند بهينه سازي، امكان پذيري و سودمندي اين روش سريع طراحي مفهومي هواپيما نشان داده شده است.

In this paper, conceptual design of a General Aviation Aircraft (GAA) is explained as a multi-objective Multidisciplinary Design Optimization (MDO). In the early sizing phase, preliminary aircraft configuration is defined based on a predetermined requirements and statistical Study. Afterwards, conceptual design disciplines are developed and integrated based on Multidisciplinary Design Feasibility (MDF) structure to improve the aircraft performance. The MDF loop is established by implementing a multidisciplinary analysis which includes disciplines as engine selection, weight and sizing, aerodynamics, performance and stability. In this design process, Constraints and algorithms are considered based on the Gudmundsson design approach. Design variables are selected carefully using sensitivity analysis on design objectives (i.e. reducing the weight and increasing the range). In order to obtain a feasible design, static stability constraints are considered. The NSGA-II multi-objective evolutionary optimization algorithm is utilized to demonstrate a set of possible answers in the form of the Pareto front. By selecting different engines and illustrating the Pareto fronts resulted from optimization process, the feasibility and effectiveness of rapid GAA conceptual design is demonstrated.