33213

ارائه‌ي مدلي مبتني ‌بر يادگيري ماشين براي آناليز حساسيت، پيش‌بيني و بهبود عملكرد ايرفويل‌ها

كارشناسي ارشد

مهندسي هوافضا

1400

1403/11/27

دكتر محمد حسن شجاعي فرد

استاد مشاوري ندارم.

مكانيك

اين پروژه به توسعه يك مدل يادگيري ماشين مبتني‌بر شبكه عصبي براي پيش‌بيني ضرايب عملكردي ايرفويل‌ها با استفاده از داده‌هاي شبيه‌سازي‌شده توسط نرم‌افزار XFOIL و داده‌هاي به‌دست آمده از ديناميك سيالات محاسبات (CFD) مي‌پردازد. هدف اصلي، پيش‌بيني دقيق عملكرد ايرفويل‌ها در شرايط مختلف جريان است. در اين پروژه، ابتدا شبكه عصبي پايه با داده‌هاي XFOIL آموزش داده شد و سپس از تكنيك يادگيري انتقالي (ترنسفر لرنينگ) براي افزودن داده‌هاي CFD به مدل و تقويت آن استفاده‌شد. درنهايت، با استفاده از يك الگوريتم‌ تكاملي، هندسه ايرفويل‌ها بهبود داده‌شده و عملكرد آئروديناميكي آن‌ها بهبود يافت. نتايج به‌دست‌آمده از مدل شبكه عصبي نشان‌مي‌دهند كه پيش‌بيني ضرايب عملكردي ايرفويل‌ها به‌ويژه ضريب برا (دقت 99%) و ضريب پسا (دقت 95%) با دقت بالايي انجام مي‌شود. عدد رينولدز، زاويه حمله و يك عدد بي‌بعد بحراني كه مشخصات لايه‌مرزي را انتشار مي‌دهد، علاوه بر مختصات سطح بالايي و پاييني ايرفويل‌ها، به‌عنوان ورودي‌هاي شبكه دسته‌بندي مي‌شوند. ضرايب فشار در سطوح بالايي و پاييني، ضريب برا، پسا و گشتاور نيز خروجي‌هاي شبكه هستند. اين پژوهش نشان‌مي‌دهد كه استفاده از تركيب مدل‌هاي شبكه عصبي، ترنسفر لرنينگ و الگوريتم‌هاي بهينه‌سازي مي‌تواند به‌طور قابل‌توجهي در طراحي ايرفويل‌ها و بهبود عملكرد آئروديناميكي آن‌ها در شرايط مختلف جريان مؤثر باشد. براي درك بهتر خلاصه‌اي تصويري از پژوهش در ادامه آمده‌است.

1404/01/18

Development of a Machine Learning Framework for Sensitivity Analysis, Performance Prediction, and Optimization of Airfoil Designs

2/15/2026 12:00:00 AM

This project focuses on developing a neural network-based machine learning model for predicting airfoil performance coefficients using simulation data from XFOIL software and Computational Fluid Dynamics (CFD) data. The primary objective is accurate prediction of airfoil performance under various flow conditions. In this project, a baseline neural network was initially trained with XFOIL data, followed by the application of transfer learning techniques to incorporate CFD data and enhance the model. Finally, an evolutionary algorithm was employed to optimize airfoil geometries and improve their aerodynamic performance. The results obtained from the neural network model demonstrate high accuracy in predicting airfoil performance coefficients, particularly lift coefficient (99% accuracy) and drag coefficient (95% accuracy). Reynolds number, angle of attack, and a critical dimensionless number that characterizes boundary layer properties, along with the coordinates of the upper and lower airfoil surfaces, are classified as network inputs. Pressure coefficients on the upper and lower surfaces, lift coefficient, drag coefficient, and moment coefficient constitute the network outputs. This research demonstrates that combining neural network models, transfer learning, and optimization algorithms can significantly enhance airfoil design and improve aerodynamic performance under various flow conditions. A visual summary of the research is provided below.

شبكه عصبي , مدل پيش‌بيني , ايرفويل , CFD , XFOIL , ترنسفر لرنينگ , بهينه‌سازي هندسي

Neural Network , Prediction Model , Airfoil , CFD , XFOIL , Transfer Learning , Geometric Optimization

Mahdi Panahi

Prof. Mohammad Hasan Shojaefard