Hava taşıtlarının çok disiplinli tasarım optimizasyonu için yeni bir yöntem geliştirilmesi

Abstract

Hava taşıtlarında yüksek aerodinamik performansın yanında hafiflik de önemli bir faktördür. Kütlenin artması daha fazla yakıt ve güç ihtiyacı doğurmaktadır. Bu nedenle tasarım sürecinde geometrinin optimum şekilde olması için deneme-yanılma yerine optimizasyon algoritmalarının kullanımını bir gerekliliktir. Hava taşıtlarında başarılı bir tasarım için çok disiplinli model üzerinden optimizasyon yapılması öne çıkmaktadır. Herhangi bir disiplinde oluşan bir tasarım değişikliği bir başka disiplindeki bir davranışı doğrudan etkilemektedir. Bu tez çalışmasında, optimizasyon işlemi için çok sayıda iterasyon gerekeceğinden, yapay sinir ağları (YSA) yöntemi kullanılarak vekil model oluşturulmuş ve optimizasyon bu vekil modeller üzerinden gerçekleştirilmiştir. Vekil model oluşturmak için gerekli veri seti, sistematik bir deney tasarım yöntemi olan Latin Hiperküp örneklemesi modifiye edilerek, vekil modelin daha iyi tahmin yapabileceği bir model elde edilmiştir. YSA'nın daha iyi tahmin yapabilmesi için YSA'nın gizli katman ve nöron sayıları ve ağırlık katsayıları optimize edilmiştir. Optimizasyon işlemini gerçekleştirmek için, NSGA-II algoritması, Levenberg Marquardt (LM) algoritması ile hibrit bir şekilde kullanılarak hem NSGA-II'nin evrimsel çeşitliliğinden hem de LM’ nin lokal optimumu yakalama gücünden faydalanan hibrit bir kod elde edilmiştir. Bu tez çalışmasında, birinci çalışma olarak literatürde sıkça kullanılan Agard 445.6 kanadı üzerinde çift yönlü akışkan - katı etkileşimi (AKE) kullanarak çok disiplinli bir çalışma ile kanadın süpürme açısı ve sivrilik oranı optimize edilerek hem ağırlığı azaltılması hem de aerodinamik verimliliğinin arttırılması amaçlanmaktadır. İkinci çalışma olarak, kanat iç elemanlarında kiriş ve nervür elemanlarının konum optimizasyonu işlemi gerçekleştirilmiştir. Tek yönlü akışkan - katı etkileşimi kullanılarak yapılan bu çalışmada, kanat kütlesi azaltılırken aynı zamanda kanadın birinci doğal frekansı arttırılmıştır.

In aircraft, alongside high aerodynamic performance, lightness is also a crucial factor. An increase in mass leads to higher fuel and power requirements. Therefore, the use of optimization algorithms instead of trial and error during the design process becomes a necessity to ensure the geometry is optimized. For a successful design of aircraft, performing optimization through a multidisciplinary model is emphasized. A design change in any discipline directly affects behavior in another discipline. In this thesis, due to the need for numerous iterations during the optimization process, surrogate models were created using Artificial Neural Networks (ANN), and optimization was performed through these surrogate models. To create the necessary dataset for the surrogate model, the systematic design of experiments method, Latin Hypercube Sampling, was modified to obtain a model that could provide better predictions. The ANN’s prediction capability was enhanced by optimizing the number of hidden layers, neurons, and weight coefficients. To execute the optimization process, a hybrid code was developed by combining the NSGA-II algorithm with the Levenberg-Marquardt (LM) algorithm, thus benefiting from both the evolutionary diversity of NSGA-II and the local optimum capture capability of LM. In this thesis, the first study was conducted on the widely used Agard 445.6 wing by employing bi-directional fluid-structure interaction (FSI) to carry out a multidisciplinary analysis. The wing’s sweep angle and taper ratio were used as variables. As a result of the study, both the weight of the wing was reduced, and its aerodynamic efficiency was increased. In the second study, the placement optimization of spar and rib elements within the wing was conducted. In this study, using one-way fluid-structure interaction, the wing mass was reduced while simultaneously increasing the wing first natural frequency.