MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934047
■00520240214101522
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380362368
■035    ▼a(MiAaPQ)AAI30570208
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aGandarillas,  Victor.
■24510▼aEnhancing  Multidisciplinary  Design  Optimization  Through  Automated  Computational  Model  Construction  and  Sensitivity  Analysis▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  San  Diego.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(130  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Hwang,  John  T.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aMultidisciplinary  design  optimization  (MDO)  is  an  approach  that  uses  optimization  methods  to  design  complex  engineering  systems  involving  multiple  disciplines  simultaneously.  The  coupled  nature  of  multidisciplinary  systems  and  the  large  number  of  design  variables  involved  in  complex  systems  present  unique  challenges  to  solving  MDO  problems.  One  of  these  challenges  is  the  implementation  of  software  necessary  to  evaluate  multidisciplinary  models  within  an  optimization  framework.  When  gradient-based  optimization  approaches  are  used,  efficient  and  accurate  derivatives  must  be  computed  for  each  model  evaluation.  This  dissertation  presents  an  approach  that  significantly  reduces  the  manual  effort  required  to  implement  computational  models  for  use  within  a  gradient-based  MDO  framework,  especially  in  large-scale  problems.  This  dissertation  introduces  a  novel  approach  to  address  these  challenges  and  automate  the  process,  enabling  accurate  and  efficient  adjoint-based  sensitivity  analysis  for  gradient-based  MDO  in  particular.  To  address  these  challenges,  a  three-stage  compiler  methodology  is  proposed.  The  methodology  centers  around  a  graph  representation  that  provides  a  foundation  for  automating  sensitivity  analysis  in  MDO.  In  addition,  the  Computational  System  Design  Language  (CSDL)  is  introduced,  which  allows  for  a  concise  description  of  the  physical  system.  The  adoption  of  CSDL  demonstrates  a  twofold  reduction  in  code  complexity  for  engineering  models,  significantly  reducing  the  barrier  to  entry  for  MDO  practitioners.  The  three-stage  compiler  also  provides  users  of  CSDL  with  the  ability  to  measure  the  effect  of  the  model  structure  on  run-time  performance  and  memory  complexity  using  the  graph  representation.  Finally,  the  methodology  developed  in  this  dissertation  is  applied  to  the  design  of  a  space-based  virtual  telescope  comprised  of  two  spacecraft  flying  in  formation.  A  reformulation  of  the  orbit  dynamics  of  the  spacecraft  is  found  to  avoid  the  introduction  of  truncation  errors  due  to  tight  formation  constraints  that  render  solving  the  optimization  problem  impossible.  A  sequential  approach  to  applying  MDO  to  the  design  of  a  space-based  virtual  telescope  is  also  found  to  be  more  robust  than  solving  the  MDO  problem  where  all  disciplines  are  considered  simultaneously.
■590    ▼aSchool  code:  0033.
■650  4▼aAerospace  engineering.
■650  4▼aMechanical  engineering.
■653    ▼aMultidisciplinary  design  optimization
■653    ▼aOptimization  methods
■653    ▼aMultidisciplinary  systems
■653    ▼aComputational  models
■690    ▼a0538
■690    ▼a0548
■71020▼aUniversity  of  California,  San  Diego▼bMechanical  and  Aerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934047▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books