|
|
چهارمین همایش ملی موتورهای درونسوز
|
|
|
| عنوان فارسی |
مدل‌سازی آیروالاستیک و بهینه سازی چندهدفه پره روتور کمپرسور مادون صوت با استفاده از ترکیب الگوریتم ژنتیک چند هدفه اصلاح شده، شبکه عصبی مصنوعی و تاپسیس |
|
| چکیده فارسی مقاله |
بهینه‌سازی طراحی کمپرسورهای محوری مادون صوت به‌منظور بهبود عملکرد آیرودینامیکی و مکانیکی در شرایط بارگذاری بالا، همواره به‌عنوان یک چالش مهندسی در صنایع هوافضا و انرژی مطرح بوده است. در این پژوهش، بهینه‌سازی چندهدفه یک کمپرسور محوری مادون صوت از طریق یک رویکرد محاسباتی ترکیبی و نوین ارائه شده است. این رویکرد، از تلفیق مدل‌سازی آیروالاستیک و تکنیک‌های پیشرفته بهینه‌سازی شامل الگوریتم ژنتیک چندهدفه اصلاح‌شده، شبکه عصبی مصنوعی، و روش تاپسیس بهره می‌گیرد. از ویژگی‌های برجسته این مطالعه، به‌کارگیری همزمان کوپلینگ سیال-سازه، شبکه عصبی، و الگوریتم‌های تکاملی است که امکان بهینه‌سازی دقیق و سریع‌تر کمپرسور را فراهم کرده است. برای ارزیابی برهم‌کنش‌های پیچیده سیال-سازه، شبیه‌سازی دینامیک سیالات محاسباتی و تحلیل اجزای محدود به‌کار گرفته شده و از شبکه عصبی مصنوعی به عنوان مدل جایگزین سریع برای پیش‌بینی کارایی در حالات مختلف طراحی استفاده گردیده است. نتایج بهینه‌سازی حاکی از بهبود ۲.۸ درصدی ضریب فشار کل، ۳.۲ درصدی راندمان و کاهش ۸.۹ درصدی در بیشینه تنش است؛ که این دستاوردها از طریق تنظیم دقیق زاویه استگر و لقی نوک پره محقق شده و به کاهش افت جریان و توزیع یکنواخت‌تر تنش انجامیده است. این بهینه‌سازی تنش‌های وارد بر پره‌ها را در نقاط بحرانی کاهش داده و پایداری مکانیکی پره‌ها را تحت شرایط عملیاتی مختلف ارتقاء می‌بخشد. بهبودهای حاصل، بیانگر ارتقای همزمان عملکرد آیروالاستیکی کمپرسور می‌باشند. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
Aeroelastic Modeling and Multi-Objective Optimization of a Subsonic Compressor Rotor Blade Using a Combination of Modified NSGA-II, ANN, and TOPSIS |
|
| چکیده انگلیسی مقاله |
A significant engineering challenge in the aerospace and energy sectors has been improving subsonic axial compressor designs' aerodynamic and mechanical performance under high-loading conditions. This study presents a multi-objective optimization framework for a subsonic axial compressor through an integrated computational approach. Aeroelastic modeling is combined with advanced optimization techniques, including modified Non-dominated Sorting Genetic Algorithm II (NSGA-II), artificial neural networks (ANNs), and Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). Complex fluid-structure interactions were evaluated using computational fluid dynamics simulations (دینامیک سیالات محاسباتی) and finite element analyses (FEA). Additionally, the Group Method of Data Handling (GMDH) has been used to predict performance across multiple design scenarios as a rapid surrogate model. During the optimization process, total pressure coefficients improved by 2.8%, efficiency increased by 3.2%, and maximum stress decreased by 8.9%. By meticulously adjusting the stagger angle and tip clearance, these improvements reduced flow losses and a more uniform stress distribution. As a result of this optimization, the stresses imposed on the blades at critical points are reduced, resulting in greater mechanical stability under diverse operating conditions. These improvements have also improved the compressor's aeroelastic performance. This reduces the noise levels during operation, making the compressors more efficient and environmentally friendly. Additionally, it also increases the lifetime of the compressor. |
|
| کلیدواژه‌های انگلیسی مقاله |
کمپرسور محوری, الگوریتم ژنتیک چندهدفه, شبکه عصبی مصنوعی, بهینه سازی. |
|
| نویسندگان مقاله |
محمود عسگری | Mahmood Asgari
فتح الله امی |
زهیر صبوحی |
|
|
| نشانی اینترنتی |
http://engine.modares.ac.ir/browse.php?a_code=A-10-177-1&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
دوره مرتبط |
کنفرانس مرتبط |
فهرست کنفرانس ها
|
