중고도 무인기 프로펠러 형상 설계최적화 :Design Optimization of Medium-Altitude Unmanned Aerial Vehicle Propeller

한승훈

추천

검색

자료유형: 학위논문

저자정보: 한승훈 (울산대학교, 울산대학교 일반대학원)

지도교수: 조창열

발행연도: 2020

저작권: 울산대학교 논문은 저작권에 의해 보호받습니다.

이용수61

이 논문의 연구 히스토리 (2)

2020

중고도 무인기 프로펠러 형상 설계최적화

한승훈 , 조창열 한국추진공학회 학술대회논문집 2020.07 학술대회자료

중고도 무인기 프로펠러 형상 설계최적화

한승훈 2020.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

일반적인 비행조건에서 추력을 생성하는 프로펠러의 설계는 대부분 BEM이론을 이용한 설계로 오랜 역사에 걸쳐 잘 알려져 있다. 최근 중·고고도에서 장기체공을 위한 UAV(무인 비행체)용 프로펠러의 수요가 급증하면서 중·고고도 프로펠러 설계에 대한 기술적 연구 요구가 다시 대두되었다.
본 논문은 프로펠러 공력형상 설계최적화에 대한 연구이다. 무인기에 사용되는 프로펠러 형상을 설계하기 위하여 BEM 이론에 근거한 해석기법을 사용하였으며, CFD와 NACA의 풍동시험 데이터로 이를 검증하였다. 수치최적화 기법으로 딥러닝(Deep Learning)을 사용하였으며, 학습을 통해 구축된 메타모델을 사용하여 직접수치최적화(Direct Numerical Optimization)과 역설계(Inverse Design)를 각각 수행하였다.
연구내용으로는, 우선 프로펠러 형상설계를 위해서 프로펠러의 반경방향 4군데 위치에서 피치각과 고형비를 설계변수로 선정하였다. 약 50,000 형상을 생성시켜 이에 대비 해당 성능을 구하여 데이터베이스를 구축하고 딥러닝에 의해 메타모델을 구축하였다. 프로펠러의 성능지수(Figure of Merit)이 최대가 되도록 하기 위해 토크계수를 제약조건으로, 추력계수를 목적함수로 설정하였고, 수치최적화 알고리즘으로 GBOM(Gradient-Based Optimization Method)을 이용하여 최적화를 수행하였다.
역설계에서는 프로펠러 성능 대비 해당 형상을 해석된 데이터베이스를 사용하여 딥러닝 기법으로 학습시켜서 역방향의 메타모델을 구축하였다. 이를 이용하면 앞서의 수치최적화에서 수많은 시행착오를 거쳐서 최적형상을 찾아가는 것과는 달리, 주어진 성능을 가지는 프로펠러 형상을 단 한 번에 구하고 있다.
최적설계 결과, 직접수치최적화에서는 기본설계(Base Design)보다 성능지수가 약 13% 증가한 결과를 도출할 수 있었다. 역설계에서는 기본설계보다 약 21% 증가된 성능지수를 입력(Target Design)시켜 해당 형상의 프로펠러의 형상을 바로 설계해낼 수 있었다.
본 연구의 결과로 딥러닝 기법을 항공기 프로펠러의 형상설계에 적용하였을 때 몇몇의 문제점은 있지만 기존의 최적설계에 비해 보다 간편하고 효율성 있는 설계과정을 구축할 수 있다는 가능성을 보여주었다.

The design of propellers that generate thrust in typical flight conditions is mostly well known for their design using BEM theory. Recently, the demand for propellers for Unmanned Aerial Vehicle for medium/high-altitude long endurance has increased rapidly, again increasing the demand for technical research on propeller design.
This study is a study on the design optimization of propeller aerodynamic shape. Design of UAV propeller shape used BEM Theory and validation with wind-tunnel test data of CFD and NACA. Numerical optimization technique used Deep Learning and performed direct numerical optimization and inverse design respectively using meta model built through learning.
In this study, pitch angle and solidity were designated as design variable at four locations in the radial direction of propeller for propeller shape design.
The database was built by generating about 50,000 shapes and obtaining corresponding performance and built a meta-model by deep learning. In order to maximize the Figure of Merit of the propeller, torque coefficient was set to constraint and thrust coefficient was set to objective function. The numerical optimization algorithm used the gradient-based optimization method.
In inverse design, a meta model of reverse direction was established by learning the shape with deep learning techniques using a database interpreted against propeller performance.
As a result, direct numerical optimization has resulted in an increase of 13% in Figure of Merit over base design. In inverse design, Figure of Merit, which is 21% more than the base design, was able to design the propeller shape of the corresponding feature immediately.
As a result of this study, there are some problems with applying deep learning technique to shape design of aircraft propellers. However, it showed the potential to build a simpler and more efficient design process than the existing optimization design.

#중고도 무인기 #프로펠러 #설계최적화

제 1 장 서 론 1
제 2 장 무인항공기 및 프로펠러의 이해 2
2.1 무인항공기의 이해 2
2.1.1 무인항공기의 정의 및 구성 2
2.1.2 무인항공기의 특성 2
2.1.3 무인항공기의 분류 2
2.2 프로펠러의 이해 4
2.2.1 프로펠러의 정의 및 구성 4
제 3 장 프로펠러의 공력특성 해석 및 검증 5
3.1 검증모델의 선정 5
3.2 BEMT(Blade Element Momentum Theory) 5
3.2.1 모멘텀 이론 6
3.2.2 날개 요소 이론 7
3.2.3 모멘텀 이론과 날개 요소 이론의 결합 8
3.2.4 Prandtl tip loss factor 10
3.2.5 Poststall correction by Viterna-Corrigan model 11
3.3 BEMT를 이용한 프로펠러 공력특성 해석 프로그램 12
3.3.1 BEMT 계산 과정 12
3.3.2 프로그램에 사용한 수치적 기법 및 프로그램 개발 13
3.3.3 프로펠러의 공력특성 해석 16
3.4 CFD를 이용한 수치해석 17
3.4.1 지배 방정식 17
3.4.2 프로펠러 외부 형상 설계 20
3.4.3 CATIA에 의한 형상 설계 20
3.4.4 격자생성 및 경계조건 22
3.4.5 유동해석 23
3.5 기법의 결과 비교 및 평가 26
제 4 장 중고도 무인기 프로펠러의 설계최적화 28
4.1 중고도 무인기 프로펠러 설계 28
4.1.1 역공학설계 모델의 선정 28
4.1.2 MQ-1 Predator 제원 28
4.1.3 CATIA를 이용한 형상 모델링 31
4.2 딥러닝(Deep Learning) 34
4.2.1 인공지능(Artificial Intelligence, AI) 34
4.2.2 머신러닝(Machine Learning) 34
4.2.3 딥러닝(Deep Learning) 36
4.2.4 역전파(Back Propagation) 40
4.2.5 최적화 알고리즘 40
4.3 직접 수치최적화 방법의 설계최적화 42
4.3.1 최적화 문제의 정식화 42
4.3.2 설계최적화 및 결과분석 45
4.4 역설계(Inverse Design)의 설계최적화 47
4.4.1 역설계(Inverse Design) 검증 47
4.4.2 설계최적화 및 결과분석 48
제 5 장 결 론 52
참고문헌 54
ABSTRACT 56

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)