MARC

 008260126s2024        us                              c    eng  d
■001000017360344
■00520260202105510
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263327682
■035    ▼a(MiAaPQ)AAI32308222
■035    ▼a(MiAaPQ)GeorgiaTech75191
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aMagalhaes,  Jose  Messias,  Jr.
■24510▼aIntelligent  Data-Driven  Aerodynamic  Analysis  and  Optimization  of  Morphing  Configurations
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a134  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Vamvoudakis,  Kyriakos  G.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  aeronautical  industry  is  continuously  looking  for  more  efficient  aircraft  and  provide  a  reduction  on  fuel  or  power  consumption  while  guaranteeing  safety,  optimality,  and  stability.  The  advances  of  composite  materials  enable  building  morphing  structures  that  adapt  to  a  variety  of  flight  and  environmental  conditions.  Airplanes  that  use  morphing  technologies  can  achieve  optimal  performance  and  minimize  the  drag  over  the  entire  flight  envelope  and  operate  even  in  dangerous  weather  conditions.In  this  dissertation,  we  propose  a  data-driven  framework  to  control  morphing  airfoils  in  the  subsonic  flight  regime,  considering  high  Reynolds  numbers  to  reach,  in  efficient  and  safe  way,  a  shape  with  improved  values  of  the  aerodynamic  coefficients.  The  online  solution  is  based  on  a  data-driven  controller  combined  with  a  surrogate  model  and  a  multi-gradient  descent  algorithm  considering  objective  functions  that  are  relevant  in  aerodynamics:  increase  lift-drag  ratio,  reduce  drag  and  increase  lift.  Without  full  knowledge  of  the  aerodynamic  parameters  (lift,  drag,  and  pitching  moment  coefficients),  the  learning  framework  searches  for  an  airfoil  shape  that  minimizes  a  metric  of  performance  associated  to  drag,  lift,  and  pitching  moment  coefficients.  The  solution  uses  online  data  to  improve  the  accuracy  of  the  predictions  of  the  aerodynamic  coefficients  provided  by  the  surrogate  model  along  the  trajectory.  The  optimization  framework  focuses  on  subtle  airfoil  deformations  to  assure  a  smooth  trajectory  between  the  initial  and  the  final  shape.  Finally,  the  efficacy  and  the  robustness  of  our  proposed  solution  is  shown  in  numerical  examples,  resulting  in  a  significant  reduction  in  the  prediction  error.
■590    ▼aSchool  code:  0078.
■650  4▼aAircraft
■650  4▼aAeronautics
■650  4▼aSensitivity  analysis
■650  4▼aFluid  dynamics
■650  4▼aFlight  simulation
■650  4▼aAerodynamics
■650  4▼aNeural  networks
■650  4▼aAviation
■650  4▼aUnmanned  aerial  vehicles
■650  4▼aEnergy  consumption
■650  4▼aDistance  learning
■650  4▼aComposite  materials
■650  4▼aAerospace  engineering
■650  4▼aEducational  technology
■650  4▼aFluid  mechanics
■650  4▼aMaterials  science
■650  4▼aRobotics
■690    ▼a0538
■690    ▼a0800
■690    ▼a0710
■690    ▼a0204
■690    ▼a0794
■690    ▼a0771
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360344▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books