اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,048 |
| تعداد دریافت فایل اصل مقاله | 6,961,204 |
تعیین ناپایداری جریان و نقطه واگرایی لیفت در ایرفویل دارای تعقر متوسط با استفاده از دینامیک سیالات محاسباتی و شبکه عصبی مصنوعی | ||
| مکانیک هوافضا | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 خرداد 1405 | ||
| نوع مقاله: گرایش پیشرانش و انتقال حرارت | ||
| نویسندگان | ||
| محمد پارسا شهابی نیا1؛ سعادت زیرک* 2 | ||
| 1دانشجوی کارشناسی، دانشگاه سمنان، سمنان، ایران | ||
| 2دانشیار، دانشگاه سمنان، سمنان، ایران | ||
| تاریخ دریافت: 17 بهمن 1404، تاریخ بازنگری: 23 فروردین 1405، تاریخ پذیرش: 17 اردیبهشت 1405 | ||
| چکیده | ||
| در این پژوهش، رفتار آیرودینامیکی ایرفویل با تقعر متوسط ناکا ۴۴۱۲ در محدوده وسیعی از زوایای حمله و اعداد رینولدز مورد بررسی قرار گرفته است. شبیهسازی عددی در نرمافزار انسیس فلوئنت و با مدل آشفتگی اسپالارت آلمارس انجام شد. شبکهبندی به صورت یکنواخت و با تراکم بالا در نواحی لایه مرزی، لبه حمله و نواحی که احتمال جدایش جریان بیشتر است، طراحی گردید. صحت سنجی نتایج دینامیک سیالات محاسباتی با داده های تجربی تونل باد نشان داد که ضرایب لیفت و درگ در نواحی پیش و پس از استال با دقت بسیار بالا شبیه سازی شده است. از تحلیل میدان جریان دیده شد که وقوع استال ناشی از جدایش زودهنگام لایه مرزی در ناحیه مکش و تشکیل ناحیه بازگشتی بزرگ در پشت لبه حمله است که منجر به افت ناگهانی ضریب لیفت و افزایش شدید ضریب درگ شده است. افزایش عدد رینولدز باعث تأخیر در وقوع استال و افزایش لیفت بیشینه شده و به منظور پیش بینی سریع ضرایب آیرودینامیکی، یک شبکه عصبی چندلایه با ورودیهای زاویه حمله و عدد رینولدز و خروجیهای ضرایب لیفت و درگ توسعه یافت که مدل پیشنهادی توانست زاویه استال را با دقت بالای ۹۰ درصد پیشبینی کند. این نتایج نشان داد که ترکیب دینامیک سیالات محاسباتی و شبکه عصبی، رویکردی کارآمد و کم هزینه برای پیشبینی رفتار آیرودینامیکی ایرفویلهاست و میتواند در طراحی بهینه پروفیل، بهبود عملکرد پرهها و توسعه سامانههای کنترل فعال استال بهکار گرفته شود. | ||
| کلیدواژهها | ||
| ایرفویل؛ ضریب برآ؛ ضریب پسا؛ شبکه عصبی مصنوعی؛ آیرودینامیک | ||
| عنوان مقاله [English] | ||
| Determination of Flow Instability and Lift Divergence Point in a Moderately Cambered Airfoil Using Computational Fluid Dynamics and Artificial Neural Networks | ||
| نویسندگان [English] | ||
| Mohammad Parsa Shahabiniya1؛ Saadat Zirak2 | ||
| 1Bachelor's student, Semnan University, Semnan, Iran | ||
| 2Associate Professor, University of Semnan, Semnan, Iran | ||
| چکیده [English] | ||
| In this study, the aerodynamic behavior of a moderately cambered NACA 4412 airfoil was investigated over a wide range of angles of attack and Reynolds numbers. Computational fluid dynamics (CFD) simulations were performed using ANSYS Fluent with the Spalart–Allmaras turbulence model. The mesh was designed to be uniform with high refinement in critical regions, including the leading edge and the flow separation area. Validation of the CFD results against experimental wind tunnel data showed that the lift and drag coefficients were accurately predicted both before and after stall. Flow field analysis revealed that stall occurrence was caused by early boundary layer separation in the suction region and the formation of a large recirculation zone behind the leading edge, resulting in a sudden drop in lift coefficient and a sharp increase in drag coefficient. Increasing the Reynolds number delayed stall onset and increased the maximum lift. To enable rapid prediction of aerodynamic coefficients, a multilayer neural network was developed with angle of attack and Reynolds number as inputs, and lift and drag coefficients as outputs. The proposed model was able to predict the stall angle with over 90% accuracy. These results demonstrate that the combination of CFD and neural networks provides an efficient and cost-effective approach for predicting airfoil aerodynamic behavior, and can be applied in airfoil optimization, blade performance enhancement, and the development of active stall control systems. | ||
| کلیدواژهها [English] | ||
| Airfoil, Lift Coefficient, Drag Coefficient, Artificial Neural Network (ANN), Aerodynamics | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 32 |
||