طراحي سريع و بهينه پرنده داكت‌فن عمودپرواز دم‌نشين با استفاده از شبكه عصبي و الگوريتم ازدحام ذرات

Rapid and optimal design of a tail-sitter VTOL ducted fan using a neural network and PSO algorithm

با توجه به عملكرد بهينه و كاربردهاي نوين داكت‌فن‌ها به‌ويژه در مأموريت‌هاي پهپادي، هدف اين مقاله ارائه روشي بهينه و سريع براي طراحي اين پرنده‌ها بر اساس ابزارهاي نوين رياضي و تحليلي است كه در سال‌هاي اخير موجب بهبود و تسريع بسياري از فرايند‌هاي زمان‌بر مهندسي شده است. در اين روش طراحي جديد كه تمركز آن بر افزايش سرعت طراحي است، ابتدا با استفاده از روش تئوري مومنتوم، طراحي اوليه‌اي انجام مي‌گيرد و اولين تقريب براي ابعاد مقاطع مختلف داكت‌فن مانند قطر دهانه ورودي و خروجي، توان و نيروي رانش مشخص مي‌شود. سپس با استفاده از اتصال نرم‌افزار MATLAB و يك نرم‌افزار طراحي داكت‌فن با عنوان كد طراحي داكت‌فن (DFDC)، با استفاده از ايرفويل‌هاي مختلف، چندين طرح بهينه براي داكت‌فن، با استفاده از الگوريتم بهينه‌سازي ازدحام ذرات و بهينه‌سازي مستقيم استخراج مي‌شود. دامنه جستجوي فضاي بهينه‌سازي در اين الگوريتم، از طراحي اوليه با روش تئوري مومنتوم و خرو‌جي‌هاي متعدد مشاهده شده از نرم‌افزار DFDC به دست مي‌آيد. در گام آخر يك شبكه عصبي پرسپترون چندلايه به وسيله الگوريتم پس انتشار خطا بر طبق اطلاعات به‌دست‌آمده از بهينه‌سازي‌ها آموزش مي‌بيند. اين شبكه عصبي با استفاده از چندين نمونه ايرفويل مختلف آموزش داده و سپس صحت سنجي مي‌شود. بر اساس دقت مورد نياز تعداد نمونه كافي براي آموزش نيز استخراج مي‌گردد. شبكه به دست آمده براي طراحي سريع و بهينه يك پرنده جديد قابل استفاده خواهد بود.

Considering the optimal performance and new applications of the ducted fans, especially in UAV missions, this paper aims to provide an optimal and rapid method for designing the UAVs based on new mathematical and analytical tools which improved and accelerated many of the long engineered processes. In this design method, an initial design is carried out based on the momentum theory and the first size approximation of different sections of the duct fan, such as the inlet and outlet diameter, the power and the duct thrust, is determined. Then by connecting the MATLAB and a ducted fan design software called the ducted fan design code (DFDC), several optimal design schemes for the duct are extracted by the particle swarm optimization algorithm. The parameters search domain in the algorithm is obtained from the initial design with the Momentum theory method and the various results of DFDC software, in the case. Finally, in order to obtain the final duct design, according to the optimized information, a multilayer perceptron neural network using an error-back propagation algorithm is trained. In the redesign loops, without a time-consuming optimization, the trained neural model can extract the duct parameters very quickly, based on the constraints of structure, control design, and missions targets.