طراحی و بهینه‌سازی چندهدفه هندسه دهانه ورودی هوا متقارن‌محوری برای دبی جرمی و عدد ماخ طراحی مشخص

دهانه های ورودی هوا از نقش موثری در عملکرد هواگردها برخوردارند، از همین رو کارایی بهینه ی آن‌ها می تواند اثر شایانی در بهبود عملکرد سامانه پیشرانش داشته باشد. هدف از این پژوهش طراحی و بهینه سازی یک دهانه ورودی متقارن محور با دبی kg/s10 در عدد ماخ جریان آزاد 5/2 در شرایط سطح دریا بوده است. در پژوهش حاضر ضرایب بازیابی و اعوجاج فشارکل جریان به‌عنوان پارامترهای عملکردی جهت بهینه سازی انتخاب شده اند. در ابتدا به طراحی پارامتری دهانه و انتخاب پارامترهای هندسی پرداخته شده و پس‌ازآن بازه ی تغییرات پارامترها تعیین شده است. در این پژوهش از الگوریتم ژنتیک چندهدفه nsgaii به‌عنوان الگوریتم بهینه سازی استفاده گردید؛ همچنین برای پیش بینی عملکرد دهانه در حلقه ی بهینه سازی، شبکه ی عصبی مصنوعی به کار گرفته شد. برای آموزش شبکه های عصبی 243 هندسه ی اولیه طراحی و حل عددی گردیده است. الگوریتم ژنتیک استفاده‌شده دارای 20 نفر جمعیت در هر نسل و 1000 نسل است. پس از 1000 نسل، جمعیت به دست آمده به‌عنوان هندسه بهینه برگزیده شده اند. در پایان بهینه سازی، بازیابی فشار با 4/4٪ و اعوجاج با 49٪ بهبود نسبت به طراحی اولیه روبرو شده‌اند که نشان از کارایی روند بهینه سازی دارد.

Design and Multi Objective Optimization of an Axisymmetric Air Intake for Specific Mass Flow Rate and Design Mach Number

Air intakes play an important role in the operation of aircrafts, so their optimal performance can have a significant effect on the performance of the propulsion system. The purpose of this study was to design and optimize an axisymmetric air intake for a mass flow rate of 10 kg / sec in a freestream Mach number of 2.5 at sealevel conditions. In the present study, pressure recovery and flow distortion coefficients are selected as functional parameters for optimization. Initially, the parametric design of the intake and the selection of geometric parameters were dealt with, and then the interval of the parameter changes was determined. In this research, the NSGAII multiobjective genetic algorithm was used as an optimization algorithm; artificial neural network was used to predict intake performance in the optimization loop; for training neural networks 243 Initial geometry has been designed and numerically solved. The genetic algorithm that used has 20 population per generation and 1000 generations. After 1000 generations, the resulting population is selected as optimal geometries. At the end of the optimization, the pressure recovery and flow distortion were improved by 4.4% and 49%, which indicates the efficiency of the optimization process.