بهینه سازی هوای داخل دنده های هواپیما با استفاده از یادگیری ماشین و الگوریتم ژنتیک

هدف این مقاله ارائه راه حلی برای بهبود عملکرد هوا در داخل چرخ دنده های هواپیما با استفاده از یادگیری ماشین و الگوریتم ژنتیک است. عملکرد هوا در داخل چرخ دنده های هواپیما یک عامل حیاتی است که بر عملکرد و کارایی کلی هواپیما تاثیر می گذارد. این مقاله یک رویکرد مبتنی بر یادگیری ماشینی را برای پیش بینی عملکرد هوا در چرخ دنده های هواپیما پیشنهاد می کند. رویکرد پیشنهادی شامل جمع آوری داده ها از حسگرهای مختلف نصب شده در چرخ دنده های هواپیما و استفاده از الگوریتم های یادگیری ماشین برای تجزیه و تحلیل داده ها و پیش بینی عملکرد هوا است. رویکرد پیشنهادی بر روی یک مجموعه داده جمع آوری شده از یک سیستم دنده هواپیما در دنیای واقعی آزمایش شده است. نتایج نشان می دهد که رویکرد پیشنهادی می تواند عملکرد هوای داخل چرخ دنده های هواپیما را با درجه بالایی از دقت پیش بینی کند. دقت مدل با بهینه سازی الگوریتم های یادگیری ماشینی مورد استفاده در تجزیه و تحلیل، بیشتر بهبود یافت. این مقاله نتیجه می گیرد که یادگیری ماشینی می تواند ابزاری موثر برای بهبود عملکرد هوا در داخل چرخ دنده های هواپیما باشد. همچنین این مقاله یک رویکرد مبتنی بر الگوریتم ژنتیک را برای بهبود عملکرد هوا در داخل چرخ دنده های هواپیما پیشنهاد می کند. الگوریتم ژنتیک برای بهینه سازی طراحی سیستم چرخ دنده با تنظیم پارامترهایی که بر عملکرد هوا تاثیر می گذارد، مانند شکل و اندازه دندانه های چرخ دنده استفاده می شود. رویکرد پیشنهادی بر روی یک سیستم دنده هواپیما شبیه سازی شده آزمایش شده است و نتایج نشان می دهد که می تواند عملکرد هوا را در مقایسه با طراحی اصلی به طور قابل توجهی بهبود بخشد. رویکرد مبتنی بر الگوریتم ژنتیک مزایای متعددی را نسبت به روش های سنتی بهینه سازی سیستم های دنده هواپیما ارائه می دهد. این می تواند به سرعت یک فضای طراحی بزرگ را کاوش کند و پارامترهای طراحی بهینه را برای بهبود عملکرد هوا شناسایی کند. علاوه بر این، می تواند محدودیت های طراحی پیچیده و معاوضه هایی مانند به حداقل رساندن نویز و در عین حال به حداکثر رساندن کارایی را مدیریت کند. تحقیقات بیشتری برای تایید رویکرد پیشنهادی در مورد سیستم های دنده هواپیما در دنیای واقعی و کشف پتانسیل آن برای سایر زمینه های طراحی و بهینه سازی هواپیما مورد نیاز است. رویکرد پیشنهادی می تواند به سازندگان هواپیما و پرسنل تعمیر و نگهداری کمک کند تا عملکرد هوای داخل چرخ دنده های هواپیما را نظارت و بهینه کنند، که می تواند منجر به بهبود عملکرد و کارایی هواپیما شود. تحقیقات بیشتری برای کشف پتانسیل یادگیری ماشینی در سایر زمینه های نگهداری و بهینه سازی هواپیما مورد نیاز است.این مطالعه ترکیب اهداف مجزای فعلی عملکرد آیرودینامیکی و راندمان ساخت، سپس یافتن یک نقطه عملیاتی بهینه برای هر دو هدف بود. هدف اضافی این مطالعه، بررسی اثرات تغییرات در ویژگی های طراحی، موقعیت اسپارها، و تجزیه و تحلیل چگونگی تاثیر تغییرات بر شرایط عملیاتی بهینه بود. یک رویکرد یادگیری ماشینی برای ترکیب و مدل سازی داده های تولید هوای جمع آوری شده اتخاذ شد، و یک رویکرد بهینه سازی چند هدفه با استفاده از الگوریتم های ژنتیک برای یافتن رابطه مبادله بین اهداف هدف بهینه، عملکرد ماموریت و قابلیت ساخت پیاده سازی شد. دستاوردها و یافته های اصلی این مطالعه عبارت بودند از: مطالعه موفقیت آمیز در ساخت یک مدل یادگیری ماشینی برای داده های ترکیبی تولید هوا با استفاده از کتابخانه نرم افزار XGBoost بود. بهینه سازی چند هدفه که موقعیت های اسپار را به عنوان یک متغیر در بر نمی گرفت، منطقه مبادله ای را بین قابلیت تولید بالا و عملکرد ماموریت بالا، با انتخاب هایی که می توانند مقادیر قابل قبولی بالایی از هر دو داشته باشند، پیدا کرد. هیچ ارتباط مشخصی بین یک تغییر کوچک در موقعیت اسپار و اهداف هدف وجود نداشت. بهینه سازی چند هدفه با موقعیت های اسپار منجر به یک رابطه مبادله بین اهداف هدف شد که با رابطه مبادله ای که در بهینه سازی بدون موقعیت های اسپار یافت می شود، متفاوت بود. بهینه سازی چند هدفه با موقعیت های اسپار نیز انعطاف پذیری بیشتری را در انتخاب فرآیندهای تولیدی موجود برای یک طراحی مشخص ارائه می دهد. و دامنه دامنه های برآمدگی برای راه حل های بهینه سازی چند هدفه با موقعیت های اسپار کمتر و متمرکزتر از مواردی بود که توسط بهینه سازی بدون موقعیت های اسپار یافت می شوند.

کلیدواژه ها:

هواپیما ، یادگیری ماشین ، الگوریتم ژنتیک ، ایرودینامیک ، اسپار