Estimation of lift and drag coefficients of an airfoil slat arrangement with different configurations under yarious flow conditions using artificial neural network

Abstract

Considering the today’s engineering needs, artificial intelligence can supply many engineering Solutions. One of them is the reduction of the computational costs of the computational fluid dynamics (CFD). As known, simulation of the CFD problems in any average Computer takes a lot of time which may be counted at least few hours. However, artificial neural network (ANN) models can predict the results of the simulations in 46 milliseconds in any average Computer. Thus, this study focuses on how to improve the ANN models which are able to predict intended aerodynamic coefficients. In this study, mainly two different engineering problems with two different approaches are conducted within two engineering disciplines which are CFD and ANN. CFD simulations for clean airfoil and airfoil with leading edge slat have been conducted in SU2, an öpen source CFD solver, to prepare databases. The databases are then used to train two different ANN models which are multilayer perceptron and one dimensional convolutional neural network. Furthermore, the change of the number of the hidden layers in these network models is also investigated to choose an appropriate model to predict lift coefficient and drag coefficient as aerodynamic coefficients of both for airfoil and for airfoil with leading edge slat. Moreover, total number of 91 CFD simulations for clean airfoil RAE2822 and total number of 2304 CFD simulations for airfoil RAE2822 with leading edge slat GOE652 have been conducted. And forty-eight different ANN architectures have been trained to be compared. As a result of this study, it is found that one dimensional convolutional neural network is applicable to predict aerodynamic coefficients.Günümüzdeki mühendislik ihtiyaçları düşünüldüğünde, yapay zeka pek çok mühendislik çözümü sağlayabilir. Bunlardan bir tanesi hesaplamalı akışkanlar dinamiği (HAD) hesaplama maliyetinin düşürülmesidir. Bilindiği üzere, herhangi ortalama bir bilgisayarda HAD problemlerinin simülasyonu en az bir kaç saat olarak sayılabilecek çok fazla zaman almaktadır. Ancak, yapay sinir ağı (YSA) modelleri simülasyon sonuçlarını herhangi bir ortalama bilgisayarda 46 milisaniye içerisinde tahmin edebilirler. Bu yüzden, bu çalışma istenen aerodinamik katsayıları tahmin edebilen YSA modellerinin nasıl geliştirileceğine odaklanmıştır. Bu çalışmada, temelde iki farklı mühendislik problemi, iki farklı yaklaşımla HAD ve YSA olan iki farklı mühendislik disiplininde yürütülmüştür. Kanat profili ve slatlı kanat profili için HAD simulasyonları açık kaynak HAD çözücü olan SU2 programında veritabanı hazırlamak için yürütülmüştür. Veritabanları sonradan iki farklı YSA modelleri olan çok katmanlı algılayıcılarını ve tek boyutlu evrişimsel sinir ağlarını eğitmek için kullanılmıştır. Dahası, bu ağ modellerindeki saklı katmanların sayısının değişimi de hem kanat profili hem de slatlı kanat profili için aerodinamik katsayılar olein kaldırma ve sürüklenme katsayısını tahmin etmek için uygun model araştırılmıştır. Üstelik toplam 91 HAD simulasyonu kanat profili RAE2822 ve toplam sayısı 2304 HAD simulasyonu kanat profili RAE2822 ile slat GOE652 için yürütülmüştür. Ve 48 farklı YSA mimarisi karşılaştırılmak için eğitilmiştir. Bu çalışmanın sonucu olarak, tek boyutlu evrişimsel sinir ağlarının aerodinamik katsayıları tahmin etmek için uygun olduğu bulunmuştur.