Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu thuật toán Nash-EGO cho tối ưu hóa thiết kế hình dạng khí động học
Tóm tắt
Trong bài báo này, thuật toán Nash-EGO do chúng tôi đề xuất được áp dụng cho các tối ưu hóa thiết kế hình dạng khí động lực lớn trên thực tế. Một cánh với hình dạng nhất định được mô phỏng bằng cách gắn các cánh điều khiển được tham số hóa bằng một tập hợp các biến thiết kế, các biến này được điều chỉnh tăng dần nhằm mở rộng không gian tìm kiếm để đạt được nhiều giải pháp tối ưu có thể. Lãnh thổ thiết kế mở rộng này được chia tách kỹ thuật thành các tập con nhỏ để giao cho các người chơi của Nash-EGO. Bằng cách này, hiệu suất của mỗi người chơi tối ưu hóa toàn cầu hiệu quả (EGO) có thể được mong đợi duy trì ở mức cao do các người chơi EGO chỉ tập trung vào các tập con quy mô nhỏ của riêng họ thay vì đối mặt trực tiếp với bài toán quy mô lớn. Thuật toán này được áp dụng đầu tiên cho bài toán giảm thiểu lực cản có giới hạn của cánh RAE 2822 với 14 đến 54 biến thiết kế và từ hai đến tám người chơi Nash để đánh giá hiệu suất của Nash-EGO, đặc biệt nhằm hiểu rõ ảnh hưởng của số lượng biến thiết kế và người chơi Nash. Sau đó, các trường hợp thách thức hơn liên quan đến tối ưu hóa hình dạng mặt cắt của cánh DLR-F4 với tối đa 84 biến thiết kế cũng được tiến hành. Kết quả cho thấy, so với các mức cơ sở, giảm đến 47.5% lực cản có thể đạt được nhờ bộ tối ưu hóa Nash-EGO; trong khi đó, chi phí CPU giảm đáng kể (tới 366.8% tốc độ tăng) so với đối thủ truyền thống EGO. Các ứng dụng thành công được trình bày cho thấy khả năng của thuật toán Nash-EGO trong việc giải quyết các tối ưu hóa kỹ thuật thực tế với quy mô lớn.
Từ khóa
#Nash-EGO #tối ưu hóa hình dạng #lực cản #cánh máy bay #tối ưu hóa quy mô lớnTài liệu tham khảo
Anderson JD Jr (2010) Fundamentals of aerodynamics, 5th edn. Tata McGraw-Hill Education, New York
Braibant V, Fleury C (1984) Shape optimal design using B-splines. Comput Methods Appl Mech Eng 44(3):247–267. https://doi.org/10.1016/0045-7825(84)90132-4
Deng F, Qin N, Liu XQ, Yu XQ, Zhao N (2013) Shock control bump optimization for a low sweep supercritical wing. Sci China Technol Sci 56(10):2385–2390. https://doi.org/10.1007/s11431-013-5345-8
Endo N, Kanazaki M, Murayama M, Yamamoto K (2016) Influence of engine intake/exhaust on wing design of civil aircraft by means of knowledge discovery techniques. In: Proceedings of the 54th AIAA Aerospace Sciences Meeting, San Diego, California, USA
Forrester AIJ, Bressloff NW, Keane AJ (2006) Optimization using surrogate models and partially converged computational fluid dynamics simulations. Proc R Soc A Math Phys Eng Sci 462(2071):2177–2204. https://doi.org/10.1098/rspa.2006.1679
Gogulapati A, Friedmann PP, Martins J (2014) Optimization of flexible flapping-wing kinematics in hover. AIAA J 52(10):2342–2354. https://doi.org/10.2514/1.j053083
Hicks RM, Henne PA (1978) Wing design by numerical optimization. J Aircr 15(7):407–412
Jeong S, Murayama M, Yamamoto K (2005) Efficient optimization design method using kriging model. J Aircr 42(2):413–420. https://doi.org/10.2514/1.6386
Jones DR, Schonlau M, Welch WJ (1998) Efficient global optimization of expensive black-box functions. J Glob Optim 13(4):455–492. https://doi.org/10.1023/A:1008306431147
Kanazaki M, Matsuno T, Maeda K, Kawazoe H (2015) Efficient global optimization applied to wind tunnel evaluation-based optimization for improvement of flow control by plasma actuators. Eng Optim 47(9):1226–1242. https://doi.org/10.1080/0305215x.2014.958733
Kennedy J, Eberhart R (1995) Particle swarm optimization. In: Proceedings of the 1995 IEEE International Conference On Neural Networks Proceedings, Vols 1–6. Ieee, New York. https://doi.org/10.1109/icnn.1995.488968
Kirkpatrick S, Gelatt CD Jr, Vecchi MP (1983) Optimization by simulated annealing. Science 220(4598):671–680. https://doi.org/10.1126/science.220.4598.671
Kulfan B, Bussoletti J (2006) “Fundamental” parameteric geometry representations for aircraft component shapes. In: Proceedings of the 11th AIAA/ISSMO multidisciplinary analysis and optimization conference, Portsmouth, Virginia
Laurenceau J, Meaux M, Montagnac M, Sagaut P (2010) Comparison of gradient-based and gradient-enhanced response-surface-based optimizers. AIAA J 48(5):981–994. https://doi.org/10.2514/1.45331
Li X (2015) Direct numerical simulation techniques for hypersonic turbulent flows. Acta Aeronaut Astronaut Sin 36(1):147–158. https://doi.org/10.7527/s1000-6893.2014.0233
Liu J, Song WP, Han ZH, Zhang Y (2016) Efficient aerodynamic shape optimization of transonic wings using a parallel infilling strategy and surrogate models. Struct Multidiscip Optim 55(3):925–943. https://doi.org/10.1007/s00158-016-1546-7
Moigne A, Qin N (2004) Variable-fidelity aerodynamic optimization for turbulent flows using a discrete adjoint formulation. AIAA J 42(7):1281–1292. https://doi.org/10.2514/1.2109
Nadarajah S (2013) Aerodynamic design optimization: drag minimization of the RAE 2822 in transonic viscous flow. Available at website: https://info.aiaa.org/tac/ASG/APATC/AeroDesignOpt-DG/TestCases/ADODGCase1and2NACA0012andRAE2822.pdf
Othman N, Kanazaki M (2016) Trajectory and aerodynamic control optimization of civil aircraft descent under hazard situations based on high-fidelity aerodynamic database. In: Proceedings of the 34th AIAA Applied Aerodynamics Conference, Washington, D.C, US
Prandtl L (1921) Applications of modern hydrodynamics to aeronautics. NACA Technical Report:116
Redeker G (1994) “DLR-F4 wing-body configuration,” a selection of experimental test cases for the validation of CFD Codes. AGARD Report: AR-303
Sobieszczanski-Sobieski J, Haftka RT (1997) Multidisciplinary aerospace design optimization: survey of recent developments. Struct Optim 14(1):1–23
Song C, Yang X, Song W (2018) Multi-infill strategy for kriging models used in variable fidelity optimization. Chin J Aeronaut 31(3):448–456. https://doi.org/10.1016/j.cja.2018.01.011
Tang Z, Chen Y, Zhang L (2017) Natural laminar flow shape optimization in transonic regime with competitive Nash game strategy. Appl Math Model 48(2017):534–547. https://doi.org/10.1016/j.apm.2017.04.012
Tesfahunegn YA, Kozeil S, Gramanzini JR, Hosder S, Han ZH, Leifsson L (2015) Application of direct and surrogate-based optimization to two-dimensional benchmark aerodynamic problems: a comparative study. In: AIAA Science and Technology Forum and Exposition
Toal DJJ, Bressloff NW, Keane AJ (2008) Kriging hyperparameter tuning strategies. AIAA J 46(5):1240–1252. https://doi.org/10.2514/1.34822
Wall WA, Frenzel MA, Cyron C (2008) Isogeometric structural shape optimization. Comput Methods Appl Mech Eng 197:2976–2988. https://doi.org/10.1016/j.cma.2008.01.025
Wang GG, Shan S (2007) Review of metamodeling techniques in support of engineering design optimization. J Mech Des 129(4):370–380. https://doi.org/10.1115/1.2429697
Wang YY, Zhang BQ, Chen YC (2011) Robust airfoil optimization based on improved particle swarm optimization method. Appl Math Mech Engl Ed 32:1245–1254. https://doi.org/10.1007/s10483-011-1497-x
Whitley D (1994) A genetic algorithm tutorial. Stat Comput 4(2):65–85
Xu S, Chen H (2013) New type of multi-point updating strategy for EGO parallelization. TNUAA 30:1–5
Xu S, Chen H (2018) Nash game based efficient global optimization for large-scale design problems. J Glob Optim 71(2):361–381. https://doi.org/10.1007/s10898-018-0608-3
Ye KQ, Li W, Sudjianto A (2000) Algorithmic construction of optimal symmetric Latin hypercube designs. J Statist Plann Inference 90(1):145–159. https://doi.org/10.1016/s0378-3758(00)00105-1
Yeongmin J, Seongim C (2014) Variable-fidelity aerodynamic design using gradient-enhanced kriging surrogate model with regression. In: Proceedings of the 14th AIAA Aviation Technology, Integration, and Operations Conference, Maryland, US
Yim J, Lee BJ, Kim C, Obayashi S (2008) Multi-stage aerodynamic design of multi-body geometries by kriging-based models and adjoint variable approach. In: Proceedings of the 26th AIAA Applied Aerodynamics Conference, Hawaii, US https://doi.org/10.2514/6.2008-6223
Zhang Y, Han ZH, Shi L, Song WP (2015) Multi-round surrogate-based optimization for benchmark aerodynamic design problems. In: AIAA Aerospace Sciences Meeting