تخمین ضرایب آیرودینامیکی ایرفویل غشائی با روش فازی و شبکه‌‌های عصبی و ارزیابی این روش‌ها با آزمون تجربی

معمولا ضرایب آیرودینامیکی به روش‌‌های عددی و تجربی محاسبه می‌شود که منجر به صرف وقت، هزینه بالاو وابستگی به پوشش ایرفویل می گردد. نوآوری در این پژوهش تخمین ضرایب آیرودینامیکی ایرفویل با پوشش پارچه به روش‌‌های فازی، شبکه عصبی و سیستم فازی-عصبی می‌باشد، تا روشی کم هزینه و زود بازده در طراحی بهینه و تخمین ضرایب آیرودینامیکی ایرفویل‌های وسایل نقلیه دارای بال غشائی تعیین شود. در مدل‌‌ها سرعت زیرصوت درنظر گرفته شد. دو فاکتور عدد رینولدز و زاویه‌حمله بعنوان ورودی و مقادیر ضرایب برآ و پسا بعنوان خروجی فرض شدند. تخمین ‌ها بر روی داده‌‌های ایرفویل ناکا2418 صورت گرفته و خطای نهایی هر یک از روش‌‌ها محاسبه و با هم مقایسه شد. میزان خطای مدل‌‌ها با میانگین مربعات خطا برای ضرایب برآ و پسا در مدل فازی به ترتیب برابر 0/8023 و4-^10×4/345، در مدل فازی-عصبی برابر 2- ^10×6/97 و3-^10×6/7و در مدل شبکه عصبی برابر 3-^10× 1/2 و 6-^10×7/576 می‌باشد که حاکی از برازش خوب مدل‌ها بود. از بین آنها، مدل شبکه عصبی همخوانی بهتری با داده ها نشان داد. جهت راستی آزمایی مدل سازی ‌ها از داده های ضریب برآ حاصل از آزمون تجربی استفاده شد که موید برازش مناسب مدل‌ها بود.

estimation of membranous airfoil's aerodynamic coefficients through fuzzy model,neural networks and evaluation of these methods by experimental test

the aerodynamic coefficients of airfoils are usually calculated through numerical and experimental methods causing time and costconsuming as well as depending on the airfoil surface cover. the estimation of aerodynamic coefficients of fabric covered airfoilthrough fuzzy logic, neural network and fuzzy-neural methods is the innovation of this research in order to determine a low-cost andfast method for optimal design as well as determining the aerodynamic coefficients of airfoils of vehicles having membrane wings.in the models, subsonic velocity was considered. reynolds number and angle of attack were assumed as input and the values of liftand drag coefficients were assumed as output. estimations were made on naca2418 airfoil data, after which the final error of eachmethod was compared. the mean squared error of lift and drag coefficients were 0.8023 and 4.3451e-04 for fuzzy model 0.0012 and7.5767e-6 for neural network and 0.0697 and 0.0076 for network-fuzzy inference model respectively. the obtained results indicatedgood fitting of three studied models and best fitting for neural network model, which confirmed by the lift coefficients obtained fromexperimental tests done for validation.