مدل سازی نیروی رانش و مصرف سوخت ویژه برای موتور توربوفن با استفاده از شبکه عصبی نوع GMDH

نویسندگان

چکیده

در این مقاله، از شبکه عصبی از نوع Group Method of Data Handling یا به اختصار GMDH، مبتنی بر الگوریتم ژنتیک به عنوان ابزاری با قابلیت بالا در مدل سازی سیستم‌های غیر خطی و پیچیده، برای مدل سازی موتور توربوفن استفاده شده است. بدلیل اهمیت میزان مصرف سوخت و تاثیر آن بر روی نیروی رانش موتور توربوفن به خصوص در موتور هواپیماهای تجاری و مسافربری، در این تحقیق تاثیر نسبت سوخت به هوا بر روی دو پارامتر بسیار مهم یعنی مصرف سوخت ویژه و تراست در ارتفاع ها و سرعت های متفاوت در محدوده رژیم زیر سرعت صوت بررسی شده است. سپس از شبکه عصبی از نوع GMDH مبتنی بر الگوریتم ژنتیک برای مدل سازی تاثیر ارتفاع پروازی و میزان نسبت سوخت به هوا بر روی نیروی رانش و مصرف سوخت ویژه موتور توربوفن استفاده شده است. در نهایت، مدل بدست آمده با داده های واقعی مقایسه شده است؛ که کارایی و دقت شبکه را نشان می دهد. با استفاده از توابع ریاضی بدست آمده از مدل‌سازی نیروی رانش و مصرف سوخت ویژه، قادر به بهینه سازی موتور و پیش بینی بهترین نقاط عملکردی برای آن خواهیم شد.

کلیدواژه‌ها


عنوان مقاله [English]

MODELING OF THRUST AND SPECIFIC FUEL CONSUMPTION FOR A TURBOFAN ENGINE VIA GMDH-TYPE NEURAL NETWORKS

نویسندگان [English]

  • Sharifi
  • Shahriari
  • Bagheri
چکیده [English]

In this paper, Group Method of Data Handling (GMDH)-type neural networks based on Genetic Algorithm, as an effective means to model the complex and nonlinear system, used for the modeling of turbofan engine. Fuel consumption is an important factor in turbofan engines, particularly in commercial and passenger aircraft engines. Regarding to its importance, fuel/air ratio influence on two main parameters, namely, specific fuel consumption and thrust investigated in this study at different altitudes for lower Mach numbers. Therefore, GMDH-type neural networks based on Genetic Algorithm developed for modeling. The impact of fuel / air ratio and flight altitude on thrust and specific fuel consumption of a turbofan engine that mathematical functions obtained for thrust and specific fuel consumption will be applied to optimization of the engine and estimation of best operating points. Finally, the GMDH model`s value compared with experimental data that show the effectiveness and accuracy of the network.

کلیدواژه‌ها [English]

  • GMDH-type Neural Networks
  • Genetic algorithm
  • Turbofan Engine
  • Thrust
  • Specific Fuel Consumption