Optimización Aerodinámica de un Perfil Alar Morphing mediante PCA y Aumento de Datos Guiado por Optimización
Autores: Guo, Ao; Wang, Jing; Zhang, Miao; Wang, Han
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Optimización Aerodinámica de un Perfil Alar Morphing mediante PCA y Aumento de Datos Guiado por Optimización
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Aeronaves
Condiciones de vuelo
Sistemas de transformación
Optimización aerodinámica
Análisis de Componentes Principales
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Una aeronave que ha sido cuidadosamente optimizada para una única condición de vuelo tenderá a tener un rendimiento deficiente en otras condiciones de vuelo. Para aeronaves como los aviones de pasajeros de largo recorrido, esto no es necesariamente un problema, ya que la condición de crucero domina tanto una misión típica. Sin embargo, otras aeronaves, como los Vehículos Aéreos No Tripulados (VANT), pueden esperarse que funcionen bien en una amplia gama de condiciones de vuelo. Los sistemas de morfología pueden ser una solución a este problema, ya que permiten a la aeronave adaptar su forma para producir un rendimiento óptimo en cada condición de vuelo. Este estudio propone un marco de optimización aerodinámica para perfiles de ala morfables integrando el Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad geométrica y el aprendizaje profundo (DL) para la modelización de sustitutos, junto con una estrategia de aumento de datos guiada por optimización. Al emplear PCA, la dimensionalidad geométrica de las superficies de los perfiles de ala se reduce de 24 a 18 variables de diseño mientras se preserva el 100% de fidelidad de forma, estableciendo así un espacio de parametrización morfable comprimido. Un Algoritmo Genético Multi-Isla (MIGA) explora de manera eficiente el espacio de diseño reducido, mientras que el reentrenamiento iterativo del modelo de sustituto mejora la precisión de las predicciones, particularmente en regiones de alto rendimiento. Además, el análisis de Explicación Aditiva de Shapley (SHAP) revela correlaciones interpretables entre los modos de componentes principales y los rendimientos aerodinámicos. Los resultados experimentales muestran que el perfil de ala optimizado logra un aumento del 54.66% en la relación de sustentación a resistencia en crucero a baja velocidad y un 10.90% más de sustentación en el ascenso en comparación con la línea base. En general, el marco propuesto no solo mejora la adaptabilidad de los perfiles de ala morfables en diversas condiciones de vuelo a baja velocidad, sino que también facilita el refinamiento dirigido de sustitutos y la adquisición eficiente de datos en regiones de alto rendimiento.
Descripción
Una aeronave que ha sido cuidadosamente optimizada para una única condición de vuelo tenderá a tener un rendimiento deficiente en otras condiciones de vuelo. Para aeronaves como los aviones de pasajeros de largo recorrido, esto no es necesariamente un problema, ya que la condición de crucero domina tanto una misión típica. Sin embargo, otras aeronaves, como los Vehículos Aéreos No Tripulados (VANT), pueden esperarse que funcionen bien en una amplia gama de condiciones de vuelo. Los sistemas de morfología pueden ser una solución a este problema, ya que permiten a la aeronave adaptar su forma para producir un rendimiento óptimo en cada condición de vuelo. Este estudio propone un marco de optimización aerodinámica para perfiles de ala morfables integrando el Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad geométrica y el aprendizaje profundo (DL) para la modelización de sustitutos, junto con una estrategia de aumento de datos guiada por optimización. Al emplear PCA, la dimensionalidad geométrica de las superficies de los perfiles de ala se reduce de 24 a 18 variables de diseño mientras se preserva el 100% de fidelidad de forma, estableciendo así un espacio de parametrización morfable comprimido. Un Algoritmo Genético Multi-Isla (MIGA) explora de manera eficiente el espacio de diseño reducido, mientras que el reentrenamiento iterativo del modelo de sustituto mejora la precisión de las predicciones, particularmente en regiones de alto rendimiento. Además, el análisis de Explicación Aditiva de Shapley (SHAP) revela correlaciones interpretables entre los modos de componentes principales y los rendimientos aerodinámicos. Los resultados experimentales muestran que el perfil de ala optimizado logra un aumento del 54.66% en la relación de sustentación a resistencia en crucero a baja velocidad y un 10.90% más de sustentación en el ascenso en comparación con la línea base. En general, el marco propuesto no solo mejora la adaptabilidad de los perfiles de ala morfables en diversas condiciones de vuelo a baja velocidad, sino que también facilita el refinamiento dirigido de sustitutos y la adquisición eficiente de datos en regiones de alto rendimiento.