
تعداد نشریات | 38 |
تعداد شمارهها | 1,260 |
تعداد مقالات | 9,130 |
تعداد مشاهده مقاله | 8,464,165 |
تعداد دریافت فایل اصل مقاله | 5,164,694 |
طراحی بهینه چندموضوعی پیکربندی یک کپسول فضایی زیستی زیرمداری | ||
مکانیک هوافضا | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 دی 1403 | ||
نوع مقاله: مکانیک جامدات | ||
نویسندگان | ||
حسن ناصح1؛ حدیثه کریمایی* 2؛ محمد لسانی فدافن1 | ||
1پژوهشگاه هوافضا | ||
2استادیار پژوهشگاه هوافضا | ||
تاریخ دریافت: 26 آبان 1403، تاریخ بازنگری: 24 آذر 1403، تاریخ پذیرش: 06 دی 1403 | ||
چکیده | ||
در این مقاله، طراحی بهینه چندموضوعی پیکربندی یک کپسول زیستی بازگشتی انجام میشود. در این فرآیند، کلیه موضوعات طراحی مرتبط با پیکربندی و اهداف سازهای نظیر کمینهسازی تغییر شکل سازه، بیشینهسازی فرکانس طبیعی اول سازه و بیشینهسازی ضریب بار کمانشی سازه، مد نظر گرفته میشوند. بنابراین، موضوعات طراحی شامل هندسه، آیرودینامیک، مسیر، گرمایش و سازه انتخاب میشوند. در این راستا، با توجه به فضای طراحی تعریف شده توسط حدود مجاز متغیرهای هندسی کپسول زیستی، مدلهای جایگزین با استفاده از روش ترکیبی کریجینگ-سطح پاسخ (RSM) استخراج میشود. پس از مدلسازی موضوعات طراحی و تهیه مدلهای جایگزین، نقطه طراحی بهینه بهکمک الگوریتم ژنتیک (GA) شناسایی میشود. برای حل این مسئله از چارچوب چندموضوعی همه در یک مرحله (AAO) استفاده میشود. رویکردهای بهینهسازی مساله شامل کمینهسازی جرم، بیشینهسازی پارامتر پسای فاز برگشت (CDA)، بیشینهسازی راندمان حجمی، کمینهسازی ضریب بالستیک، بیشینهسازی پایداری استاتیک طولی، کمینهسازی تغییر شکل سازهای، بیشینهسازی حجم داخلی، بیشینهسازی فرکانس طبیعی اول سازه و بیشینهسازی ضریب بار کمانشی سازه میباشند. نتایج نشان داد که استفاده از روش مدل جایگزین ترکیبی، دقت مدلهای جایگزین در فرآیند بهینهسازی را به میزان قابلتوجهی بهبود میبخشد. در پایان، نتایج پیکربندیهای مختلف حاصل از روش حاضر با مقادیر پیکربندی کپسول زیستی بومی مقایسه شد که مطابقت مطلوبی را نشان داد. | ||
کلیدواژهها | ||
مدل جایگزین ترکیبی کریجینگ-سطح پاسخ؛ کپسول زیستی بازگشتی؛ طراحی بهینه چندموضوعی؛ الگوریتم ژنتیک | ||
عنوان مقاله [English] | ||
Multi-Disciplinary Design Optimization of a Space Re-entry Bio-Capsule Configuration | ||
نویسندگان [English] | ||
Hassan Naseh1؛ Hadiseh Karimaei2؛ Mohammad Lesani1 | ||
1Ari | ||
2Assistant professor,, ARI | ||
چکیده [English] | ||
In this paper Single-Objective, Multi-Disciplinary Design Optimization (SO-MDO) of a re-entry bio-capsule is performed. All design disciplines, especially structural discipline, and objectives such as minimizing structural deformation, maximizing the first natural frequency of the structure, and the buckling load multiplier of the structure are considered. Therefore, design disciplines are selected, including geometry, aerodynamics, trajectory, heating, and structure. According to the design space defined by the upper and lower limits of the geometrical variables of the capsule, the surrogate models are extracted using the combinatorial kriging-response surface methodology. After modeling the design disciplines and preparing surrogate models, the optimal design point is identified with the help of a Single-Objective Genetic Algorithm (SOGA). To solve this problem, the All-at-Once (AAO)-based multi-disciplinary design optimization framework is used. The single-objective optimization approaches of the problem include minimization of the mass, ballistic coefficient, and structural deformation, and maximization of the air drag resistance (CDA parameter) in the phase of re-entry, volumetric efficiency, longitudinal static stability margin, internal volume, the first natural frequency of the structure and the buckling load multiplier (buckling safety factor) of the structure. The results showed that using the combinatorial kriging-response surface surrogate model significantly improves the accuracy of the surrogate models in the optimization process. Finally, the results were in close agreement with the spaceflight test results of the native bio-capsule. | ||
کلیدواژهها [English] | ||
Combinatorial kriging-RSM, Re-entry capsule, MDO, Genetic algorithm | ||
مراجع | ||
| ||
آمار تعداد مشاهده مقاله: 75 |