<strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong> <strong>ile</strong> <strong>Hizlandirilmis</strong> Kanat Profili OptimizasyonuDurum-b: Ver<strong>ile</strong>n akim sartlari için bu profilinaerodinamik parametreleri Durum-a'da verilmistir.NACA0012 bu kez kalinlik orani sabit tutulmadanoptimize edilmistir. Elde ed<strong>ile</strong>n optimize edilmis kanatprofiline ait basinç katsayisi dagilimi Sekil 10'da; eldeed<strong>ile</strong>n kanat profili Sekil 11'de ve es-basinç katsayisiçizg<strong>ile</strong>ri Sekil 12'de verilmistir. Üzerindeki sok dalgasiyok edildikten sonra, elde ed<strong>ile</strong>n yeni profilin tasima vesürükleme katsayilari C L =0.371 ve C D =0.0055 olarakortaya çikmistir. Bu degerlere göre optimize edilmisprofil için L/D=67.5 olup, bu deger profilinaerodinamik verimliliginde %171 oraninda bir artisakarsilik gelmektedir. NACA0012 için kalinlik oranit/c=0.12 iken, elde ed<strong>ile</strong>n kanat profilinin kalinlik oranit/c=0.056 olmustur.Yukarida belirtilmis olan iki farkli strateji <strong>ile</strong> yapilanoptimizasyon çalismalarina ait sonuç Sekil 13'deverilmistir. Sekilden görüldügü gibi, TGA (ST-II)kullanildiginda 1500 HAD hesabi <strong>ile</strong> 67.5 uygunlukdegerine ulasilabilirken, klasik GA (Strateji I, ST-I)kullanildiginda 1800 HAD hesabi sonunda ancak 61.7uygunluk degerine ulasilabilmistir. Sekil 6.9incelendiginde, TGA uygulamasinda 61.7 uygunlukdegerinin 798 HAD hesabi sonunda elde edildigigörülecektir. Buna göre, her iki stratejiye ait sonuçkarsilastirilirsa, ayni uygunluk degerine ulasmak içinTGA <strong>ile</strong> %56 daha az HAD hesabi gerektigi; ve aynisayidaki HAD hesabi <strong>ile</strong> TGA'nin daha iyi uygunlukdegerlerine ulasabildigi görülmektedir.8. Analiz ve sonuçYapilan bu çalisma <strong>ile</strong> TGA, transonik kanat profilioptimizasyonuna basariyla uygulanmistir. Elde ed<strong>ile</strong>nsonuçlar, öngörülmüs oldugu gibi TGA'nin, klasik GA'yagöre daha etkin oldugunu ve daha az sayida islemle (HADhesabi) optimizasyon yapmaya olanak sagladiginigöstermektedir. Buradan ver<strong>ile</strong>n sonuçlara göre, HADhesabi sayisi, %55-60 civarinda azaltilmistir. GA <strong>ile</strong>yapilan aerodinamik dizayn ve optimizasyonçalismalarinda, en fazla zaman alan kismin HAD hesabioldugu için, optimizasyon için harcanan süre de aynioranlarda azaltilmistir. Buna göre, TGA kullanimiyla,daha hizli bir sekilde aerodinamik dizayn ve optimizasyonyapabilmek mümkün olacaktir.Sonuç olarak, daha önceki çalismamizda [6] tersten kanatprofili dizayni için etkinligi gösterilmis olan TGA; kanatprofili optimizasyonunda da basarili olmasinin yaninda,Ermis ve digerlerinin [13] yaptigi gibi, baska mühendislikproblemlerine de uygulanab<strong>ile</strong>cek, GA'nin arama/bulmagücünü arttiran ve daha az islemle sonuca ulasmasinisaglayan, etkin bir yöntemdir.-1.25-0.75-0.25Cp0.250.751.25NACA0012Optimize Edilmis0 0.2 0.4 0.6 0.8 1x/cSekil 10: Durum-b için yapilan optimizasyon sonucunda elde ed<strong>ile</strong>n basinç katsayisi dagilimi.0.080.060.04y/c0.020-0.02Optimize EdilmisNACA0012-0.04-0.06-0.080 0.25 x/c 0.5 0.75 1Sekil 11: Durum-b için yapilan optimizasyon sonucunda elde ed<strong>ile</strong>n kanat profili.HACIOGLU, ÖZKOL8
<strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong> <strong>ile</strong> <strong>Hizlandirilmis</strong> Kanat Profili Optimizasyonuy/cx/cSekil 12: Optimize ed<strong>ile</strong>n profil için M=0.75 ve 2? hücum açisinda (Reynolds sayisiRe c =6.5x10 6 ) es-basinç katsayisi çizg<strong>ile</strong>ri (Durum-b).Uygunluk (L/D)6560555045ST-I40ST-II3530250 500 1000 1500 2000HAD Hesabi SayisiSekil 13: TGA (ST-II) ve klasik GA (ST-I) <strong>ile</strong> yapilan optimizasyonsüreçlerinin karsilastirilmasi (Durum-b).9. Kaynaklar[1] Falco, I. D., Cioppa, A. D., Balio R. D. andTarantino, E., “Breeder Genetic Algorithms for AirfoilDesign Optimisation”, IEEE Int. Conf. OnEvolutionary Computing, Nagoya, Japan, 1996.[2] Mühlenbein, H. and Schlierkamp -Voosen, D.,“Predictive Models for the Breeder Genetic AlgorithmI. Continuous Parameter Optimization”, EvolutionaryComputation 1, pp. 25-49, 1993.[3] Falco, I. D., Cioppa, A. D., Lazzetta A. andTarantino, E., “M ijn Mutation Operator for AirfoilDesign Optimisation”, Soft Computing in EngineeringDesign and Manufacturing, Springer Verlag, pp. 211-220, 1998.[4] Vicini, A. and Quagliarella, D., “Airfoil and WingDesign Through Hybrid Optimization Strategies”, AIAAJournal, Vol. 37, No. 5, 1999.[5] Tse, D.C.M., and Chan, L.Y.Y., “Application of MicroGenetic Algorithms and Neural Networks for AirfoilDesign Optimization”, RTO MP-035 RTO-MP-035Aerodynamic Design and Optimisation of Flight Vehiclesin a Concurrent Multi-Disciplinary Environment, 1999.[6] Hacioglu, A. and Özkol, I., “Vibrational GeneticAlgorithm as a New Concept in Aerodynamic Design”,Aircraft Engineering and Aerospace Technology, Vol. 74,No. 3, pp. 228-236, 2002.[7] Hacioglu, A. and Özkol, I., “Modified BLX-? : DoubleDirectional Alpha Method”, Proceedings of the SixteenthHACIOGLU, ÖZKOL9