مقایسه روش های متامدل ساختار تابع پایه تطبیق پذیر و شبکه عصبی مصنوعی در طراحی گرین فینوسیل

طراحی گرین مهمترین بخش طراحی موتور سوخت جامد می باشد، در این مقاله هدف طراحی گرین فینوسیل بر اساس توابع هدف از پیش تعیین شده با توجه به نمودارهای بالستیکی می باشد تا انواع الزامات تراست عملکردی را از طریق یک روش طراحی نوآورانه با بهره گیری از الگوریتم بهینه سازی ژنتیک، ارضا نماید . به منظور نمونه برداری در فضای طراحی از روش نمونه برداری کلاسیک استفاده شده است. برای شبیه سازی پسروی سطح سوزش گرین سوخت روش سطوح همتراز انتخاب شده است، در کنار کد سطوح همتراز الگوریتمی توسعه داده شده است که شکل اولیه گرین را با استفاده از کد نگارش شده در محیط نرم افزار پرواینجینیر به عنوان مدلهای تولیدی به کد سطوح همتراز ارسال نماید. به منظور تحلیل بالستیک داخلی، از روش صفر بعدی استفاده شده است. دو روش متامدل، اولی بر اساس روش ساختار تابع تطبیق پذیر و دومی بر اساس یک روش شبکه عصبی مصنوعی تحت عنوان پرسپترون چند لایه به عنوان جایگزین روش سطوح همتراز در حلقه طراحی بهینه استفاده می گردد. در انتهای این کار به منظور اعتبارسنجی  الگوریتم ارائه شده یک نمونه گرین فینوسیل مورد بررسی قرار گرفته است و نتایج حاصله نشان می دهد که این روش طراحی گرین، زمان طراحی را به طور قابل توجهی کاهش می دهد و این الگوریتم می تواند در طراحی هر نوع گرینی مورد استفاده قرار گیرد.

کلیدواژه ها:

Grain Design ، Solid Rocket Motor ، Meta-Model ، Surrogate Model ، Level Set ، طراحی گرین ، موتور سوخت جامد ، متامدل ، مدل جایگزین ، سطوح همتراز