Impacto das variáveis multiobjetivo na geometria de uma asa

Abstract

O desenvolvimento de uma nova aeronave exige em média nove anos desde a concepção até a entrada em serviço, sendo que, em geral, o tempo até o primeiro teste de voo é de aproximadamente seis anos. Já que a crescente utilização de algoritmos de otimização aplicados à projetos veiculares tem proporcionado uma redução no tempo empregado na concepção de novos produtos, espera-se que um modelo semelhante possa ser utilizado na elaboração do projeto conceitual de asas. Dado que uma aeronave deve atender a diferentes requisitos operacionais, como carga paga, autonomia e alcance, é justamente a busca por um balanço entre tais requisitos que governa a definição da geometria de uma asa, fomentando a aplicação de técnicas de otimização que visam alcançar os melhores valores possíveis para esses atributos. Buscando um recorte objetivo, neste trabalho são definidas as variáveis de projeto e as funções objetivo que servem para dar forma e comparar o desempenho de cada uma das asas analisadas. O objetivo proposto consiste na avaliação da influência que a definição das funções objetivo exercem no projeto geométrico de uma asa. O modelo geométrico utilizado para descrever a geometria da asa consiste na definição de 3 conjuntos de variáveis, sendo elas 3 comprimentos, 4 cordas e 3 enflechamentos. Já para a análise aerodinâmica das asas foi utilizado o programa Athena Vortice Lattice (AVL) automatizado por meio de um código escrito em python, o qual emprega o método de malhas de vórtices. Para realizar a otimização foi utilizado o tradicional algoritmo genético Nondominated Sorting Genetic AlgorithmII (NSGA-II), implementado através da biblioteca multiobjective otimization in python (Pymoo). Em se tratando de um problema complexo, nesse trabalho são avaliados os impactos que diferentes modelos de otimização exercem na geometria otimizada de uma asa. Como resultado, verifica-se que o modelo que prioriza a carga paga e a autonomia apresentou, em média, um valor 0,2% melhor que o modelo que prioriza a carga paga e o alcance, ao passo que o modelo que prioriza a carga paga e o alcance apresentou uma asa 11% melhor que o segundo colocado e tendo somente 0,15% de diferença para o modelo que prioriza o alcance e a autonomia (Modelo não conflitante). Por fim, notou-se que as asas que priorizam a carga paga apresentaram razões de aspecto, em torno de 13, ao passo que as asas que priorizam o alcance e a autonomia apresentaram razões de aspecto, entre 40 e 60, enquanto as outras variáveis apresentaram impactos secundários em todos os casos analisados.

The development of a new aircraft requires an average of nine years from conception to entry into service, and, in general, the time until the first flight test is approximately six years. Since the increasing use of optimization algorithms applied to vehicle projects has provided a reduction in the time spent in the conception of new products, it is expected that a similar model can be used in the elaboration of the conceptual design of wings. Given that an aircraft must meet different operational requirements, such as payload, endurance and range, it is precisely the search for a balance between these requirements that governs the definition of a wing geometry, encouraging the application of optimization techniques that aim to achieve the best possible values for these attributes. Seeking an objective view, in this work the design variables and objective functions are defined to shape and compare the performance of each of the analyzed wings. The proposed objective is to evaluate the influence that the definition of the objective functions have on the geometric design of a wing. The geometric model used to describe the wing geometry consists of defining 3 sets of variables, 3 lengths, 4 chords and 3 sweeps. For the aerodynamic analysis of the wings, the Athena Vortice Lattice (AVL) program was used, automated through a code written in python, which uses the vortex mesh method. To perform the optimization, the traditional genetic algorithm Nondominated Sorting Genetic Algorithm-II (NSGA-II) was used, implemented through the multiobjective optimization library in python (Pymoo). As this is a complex problem, this work evaluates the impacts that different optimization models have on the optimized geometry of a wing. As a result, it appears that the model that prioritizes payload and endurance presented, on average, a value 0.2% better than the model that prioritizes payload and range, while the model that prioritizes payload and the range presented a wing 11% better than the second place and having only 0.15% difference for the model that prioritizes the range and autonomy (Nonconflicting model). Finally, it was noted that the wings that prioritize payload showed aspect ratios around 13, while the wings that prioritize range and autonomy showed aspect ratios between 40 and 60, while the other variables showed secondary impacts in all cases analyzed.