طراحی بهینه ی پروفیل قسمت واگرای یک نازل فرامنبسط با استفاده از هوش مصنوعی

مقاله حاضر به طراحی بهینه کانتور یا پروفیل قسمت واگرای یک نازل مافوق‌صوت فرامنبسط به‌منظور دست‌یابی به بیشینه نیروی پیشران ممکن در عین حفظ طول و نسبت مساحت خروجی به گلوگاه نازل می‌پردازد. برای این کار، یک ابزار کارآمد و مطمئن با ترکیب دینامیک سیالات محاسباتی و هوش مصنوعی توسعه داده شده است. در ابتدا، پروفیل مرجع با یک روش ابتکاری و با استفاده از برازش یک بی اسپلاین درجه سوم مدل‌سازی شده و سپس با تغییر نقاط شکست این پروفیل، مجموعه‌ای از پروفیل‌های ممکن تولید شده است. این مجموعه از پروفیل‌ها توسط دینامیک سیالات محاسباتی تحلیل گردیده است. سپس، از هندسه نازل به همراه نیروی پیشران حاصل از پروفیل‌ها برای آموزش شبکه عصبی مصنوعی بهره برده شده است. پس از آن، با به‌کارگیری الگوریتم ژنتیک پروفیل بهینه به‌دست آمد. پیش‌بینی الگوریتم هوش مصنوعی برای نیروی پیشران نازل بهینه با مقدار به‌دست آمده از شبیه‌سازی عددی مقایسه شده که اعتبار رویکرد حاضر را نشان می‌دهد. مقایسه بین پروفیل مرجع و پروفیل بهینه برای نسبت فشار 14، نشان دهنده افزایش 36 درصدی نیروی پیشران و افزایش 138 درصدی ضریب بازیافت فشار سکون است. مقایسه نازل‌ها در شرایط عملیاتی خارج از نقطه طراحی نشان داد که عملکرد نازل بهینه تا نسبت فشار 30 بهتر از نازل مرجع است؛ اما با عبور نسبت فشار نازل از 30، به‌کارگیری نازل بهینه به‌جای نازل مرجع هیچ‌گونه اولویتی ندارد.

optimal design of divergent part of an over-expanded nozzle profile using artificial intelligence

the present article deals with the optimal design of the contour or profile of the divergent part of an over-expanded supersonic nozzle in order to achieve the maximum possible thrust while maintaining the length and the exit to throat area ratio of the nozzle. to do so, a reliable and robust tool has been developed by combining computational fluid dynamics (cfd) and artificial intelligence. at first, the original profile is modeled by an innovative method using a third-order b-spline, and then by changing the breakpoints of the profile, a set of possible profiles is produced. this set of profiles has been analyzed by cfd. the geometry of the nozzle along with the thrust force obtained from the profiles have been used to train the artificial neural network. in the next step, the optimal profile was obtained by applying the genetic algorithm. finally, the prediction of the artificial intelligence for the optimal nozzle thrust is compared with the value obtained from the cfd, which shows the validity of the present approach. the comparison between the original profile and the optimal profile for the nozzle pressure ratio of 14 shows a 36% increase in thrust and a 138% increase in the total pressure recovery factor. the comparison of nozzles for off-design conditions shows that the performance of the optimal nozzle is better than the original nozzle up to a pressure ratio of 30. if the nozzle pressure ratio exceeds 30, using the optimal nozzle instead of the original nozzle will not have priority.