Método de Optimización Aerodinámica para Perfil de Hélice Basado en DBO-BP y NSWOA
Autores: Guo, Changjing; Xu, Zhiling; Yang, Xiaoyan; Li, Hao
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Método de Optimización Aerodinámica para Perfil de Hélice Basado en DBO-BP y NSWOA
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Problemas
Modelos sustitutos
Eficiencia de optimización
Perfiles de hélice
Análisis aerodinámico
Red neuronal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
Para abordar los problemas de procesos de optimización tediosos, la insuficiente precisión de ajuste de los modelos sustitutos y la baja eficiencia de optimización en el diseño de perfiles aerodinámicos de hélices de drones, este documento propone un método de optimización aerodinámica para perfiles de hélices basado en DBO-BP (Optimizador de Escarabajo Dum-Propagación hacia atrás) y NSWOA (Algoritmo de Optimización de Ballenas de Clasificación No Dominada). Se selecciona el perfil aerodinámico NACA4412 como objeto de estudio, optimizando el perfil original en tres ángulos de ataque (2 grados, 5 grados y 10 grados). Se utiliza el método de parametrización de perfiles CST (Transformación de Función de Clase/Función de Forma) para parametrizar el perfil original, y se emplea muestreo de hipercubo latino para perturbar el perfil original dentro de un cierto rango para generar un espacio de muestra. Se utiliza software de CFD (Dinámica de Fluidos Computacional) (2024.1) para realizar un análisis aerodinámico sobre las formas de los perfiles dentro del espacio de muestra para construir un conjunto de datos de muestra. Posteriormente, el algoritmo DBO optimiza los pesos iniciales y los umbrales del modelo de red neuronal BP sustituto para establecer el modelo de red neuronal sustituto DBO-BP. Finalmente, se utiliza el algoritmo NSWOA para la optimización multiobjetivo, y el software de CFD verifica y analiza los resultados de la optimización. Los resultados muestran que en los ángulos de ataque de 2 grados, 5 grados y 10 grados, la precisión de prueba del coeficiente de sustentación aumenta en un 45.35%, 13.4% y 49.3%, y la precisión de prueba del coeficiente de arrastre aumenta en un 12.5%, 39.1% y 13.7%. Esto mejora significativamente la precisión de predicción del modelo de red neuronal BP sustituto para los resultados del análisis aerodinámico, haciendo que los resultados de la optimización sean más confiables. El coeficiente de sustentación del perfil aerodinámico aumenta en 0.04342, 0.01156 y 0.03603, el coeficiente de arrastre se reduce en 0.00018, 0.00038 y 0.00027, respectivamente, y la relación sustentación-arrastre se mejora en 2.95892, 2.96548 y 2.55199, mejorando la conveniencia de la optimización aerodinámica del perfil y mejorando el rendimiento aerodinámico del perfil original.
Descripción
Para abordar los problemas de procesos de optimización tediosos, la insuficiente precisión de ajuste de los modelos sustitutos y la baja eficiencia de optimización en el diseño de perfiles aerodinámicos de hélices de drones, este documento propone un método de optimización aerodinámica para perfiles de hélices basado en DBO-BP (Optimizador de Escarabajo Dum-Propagación hacia atrás) y NSWOA (Algoritmo de Optimización de Ballenas de Clasificación No Dominada). Se selecciona el perfil aerodinámico NACA4412 como objeto de estudio, optimizando el perfil original en tres ángulos de ataque (2 grados, 5 grados y 10 grados). Se utiliza el método de parametrización de perfiles CST (Transformación de Función de Clase/Función de Forma) para parametrizar el perfil original, y se emplea muestreo de hipercubo latino para perturbar el perfil original dentro de un cierto rango para generar un espacio de muestra. Se utiliza software de CFD (Dinámica de Fluidos Computacional) (2024.1) para realizar un análisis aerodinámico sobre las formas de los perfiles dentro del espacio de muestra para construir un conjunto de datos de muestra. Posteriormente, el algoritmo DBO optimiza los pesos iniciales y los umbrales del modelo de red neuronal BP sustituto para establecer el modelo de red neuronal sustituto DBO-BP. Finalmente, se utiliza el algoritmo NSWOA para la optimización multiobjetivo, y el software de CFD verifica y analiza los resultados de la optimización. Los resultados muestran que en los ángulos de ataque de 2 grados, 5 grados y 10 grados, la precisión de prueba del coeficiente de sustentación aumenta en un 45.35%, 13.4% y 49.3%, y la precisión de prueba del coeficiente de arrastre aumenta en un 12.5%, 39.1% y 13.7%. Esto mejora significativamente la precisión de predicción del modelo de red neuronal BP sustituto para los resultados del análisis aerodinámico, haciendo que los resultados de la optimización sean más confiables. El coeficiente de sustentación del perfil aerodinámico aumenta en 0.04342, 0.01156 y 0.03603, el coeficiente de arrastre se reduce en 0.00018, 0.00038 y 0.00027, respectivamente, y la relación sustentación-arrastre se mejora en 2.95892, 2.96548 y 2.55199, mejorando la conveniencia de la optimización aerodinámica del perfil y mejorando el rendimiento aerodinámico del perfil original.