프로펠러 단면 형상 공력 설계최적화

Abstract

제트엔진기술의 발전으로 침체된 프로펠러 설계에 대한 연구는 최근의 중·고고도 장기 체공 UAV(무인 비행체), 태양광 비행기 등의 개발에 따라서 다시 설계 기술적 연구가 대두되었다. 그러나 보다 정교하고 완전한 설계를 위해서는 프로펠러 단면 형상의 분포도 반드시 고려하여야 하며 공력해석도 전산유체역학(Computational Fluid Dynamic, CFD)을 통한 분석이 필요하다. 본 논문에서는 프로펠러 3차원 형상 설계를 위한 전 단계로서, 2차원 단면 형상에 대해서 형상 설계최적화를 수행했다. 프로펠러의 단면 형상을 설계하기 위하여 먼저 CFD를 이용하여 NACA의 풍동시험 데이터로 이를 검증하여 신뢰성을 확보하였다. 수치최적화 기법으로는 심층 신경망 이론인 딥러닝(Deep Learning)을 사용했으며, 구축된 메타모델로 직접 수치최적화(Direct Numerical Optimization)와 역설계(Inverse Design) 최적화를 수행하였다. 연구내용 프로펠러 단면 형상을 정밀하게 표현하기 위한 NURBS(Non-Uniform Rational B-Splines) 기반의 형상 함수를 사용했다. 이를 사용하여 생성된 익형의 윗면과 아랫면에 각각 5개씩, 총 10개의 조정점을 설계변수로 선정하고, 약 40,000개의 교란익형 형상을 생성시켜 각 case별 CFD 해석을 진행하였다. 해석을 통한 데이터베이스 구축시간을 단축시키기 위하여 익형 형상생성 모듈과 격자생성 모듈 및 공력해석 모듈 들을 개별적으로 Script를 구성하여 자동화하며, 이들을 전체적으로 Visual basic을 사용하여 상호 연결시켜 함께 자동화된 Framework를 구축하였다. 설계최적화 제약조건으로는 익형의 면적을 제약조건으로 삼고, 목적함수를 최대 양항비로 정했다. 직접 수치최적화 알고리즘으로 전역최적화 기법 중 하나인 유전자 알고리즘(Genetic Algorithm)을 사용하여 최적화를 수행하여 프로펠러의 단면 형상을 최적 설계하였다. 역설계 최적화에서는 익형의 공력특성 및 면적 대비 해당 형상을 앞선 데이터베이스를 사용하여 딥러닝 기법으로 학습시켜 역 메타모델을 구축했으며, 이를 CFD 해석과 비교한 결과와 설정한 오차범위 이내에 들어오는 최대 양항비를 역설계 최적화결과로 삼았다. 역설계 최적화 결과를 직접수치최적화 설계 결과와 비교함으로써 타당성을 확인하였다. 역설계 최적화 및 직접수치최적화 결과 두 가지 모두 비슷한 설계형상을 보였으며, 최대두께의 위치가 후방에 위치하여 천이위치가 후방으로 약 12% 이동하여 양항비가 약 9% 정도 향상됨을 보였다. 이는 딥러닝의 방대한 데이터에서 뛰어난 예측 능력을 활용한 연구라고 할 수 있다.|Research on propeller design, which has been stagnant due to the advancement of jet engine technology, has been redesigned according to the recent development of mid/high-altitude long-term Unmanned Aerial Vehicles and solar-powered airplanes. However, for more elaborate and complete design, the distribution of the cross-sectional shape of the propeller must be considered, and the aerodynamic analysis also needs to be analyzed through Computational Fluid Dynamic. In this paper, as a preliminary step for the propeller 3D shape design, shape design optimization was performed for the 2D cross-sectional shape. In order to design the cross-sectional shape of the propeller, first, CFD was used to verify this with NACA wind tunnel test data to ensure reliability. As a numerical optimization technique, deep learning, a deep neural network theory, was used, and Direct Numerical Optimization and Inverse Design Optimization were performed with the constructed meta-model. The contents of the study used a NURBS-based shape function to accurately express the cross-sectional shape of the propeller. Using this, a total of 10 control points, 5 each on the top and bottom of the airfoil, were selected as design variables, and about 40,000 disturbing airfoil shapes were created, and CFD analysis was performed for each case. In order to shorten the database construction time through the analysis, the airfoil shape generation module, the grid generation module, and the aerodynamic analysis module were individually configured and automated in scripts, and the entire framework was connected to each other using Visual basic. As the design optimization constraint, the area of the airfoil was used as the constraint, and the objective function was set as the maximum Lift/Drag ratio. As a Direct Numerical Optimization Algorithm, optimization was performed using a Genetic Algorithm, one of the global optimization techniques, to optimally design the cross-sectional shape of the propeller. In Inverse Design Optimization, the aerodynamic characteristics of the airfoil and its shape compared to the area were learned using a deep learning technique using an advanced database to construct an inverse meta-model, and the result of comparing this with the CFD analysis and the maximum Lift/Drag ratio that came within the set error range were determined. It was taken as the Inverse design Optimization result. The validity was confirmed by comparing the Inverse Design Optimization results with the Direct Numerical Optimization design results. As a result of Inverse Design Optimization and Direct Numerical Optimization, both showed similar design shapes, and the position of the maximum thickness was located at the rear, and the transition position moved to the rear by about 12%, indicating that the Lift/Drag ratio was improved by about 9%. This can be said to be a study that utilizes excellent predictive power in the vast amount of deep learning data.