نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی برق، دانشگاه علم‌و صنعت ایران

2 دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

3 کارشناس ارشد معماری کشتی، دانشکده مهندسی مکانیک، دانشگاه علوم دریایی امام خمینی (ره) نوشهر

چکیده

با توجه به وجود پارامترهای بسیار زیاد موثر در طراحی، وجود چندین هدف متناقض با هم و شرایط ناپایدار و بسیار پیچیده محیطی، طراحی پروانه‌های دریایی به یکی از موضوعات چالش برانگیز برای طراحان و محققان این حوزه تبدیل شده است. امروزه الگوریتم‌های فراابتکاری به عنوان یکی از راه‌حل‌های بسیار کارآمد برای حل مسایل پیچیده‌ی مهندسی بکار می‌روند. در این مقاله به‌منظور طراحی پروانه‌های دریایی برای اولین بار از الگوریتم‌ IGPSO استفاده شده است. بدین منظور دو هدفِ حداکثر بازده و حداقل کاویتاسیون (که با یکدیگر در تضاد هستند) به عنوان تابع شایستگی در نظر گرفته شده‌اند. برای این کار تاثیر دو پارامتر مهم وتر و ضخامت پروانه طی چندین آزمایش در تابع شایستگی محاسبه شده و توسط الگوریتم IGPSO بهینه‌ترین حالت انتخاب شده است. به منظور مقایسه نتایج، از الگوریتم‌های معیار PSO و GA استفاده شده است. نتایج نشان می‌دهد که پروانه با 5 یا 6 پره که سرعت عملکرد بین 180 تا 190 RPM دارد، کمترین سطح نویز تولیدی را دارد. پروانه طراحی شده توسط الگوریتم IGPSO درحالت بدون کاویتاسیون dB64/86 و در حالت با کاویتاسیون dB 79/106 نویز تولید می کند که نسبت به بهترین الگوریتم مورد مقایسه به ترتیب dB 24/1 و dB 80/0 نویز کمتری را به وجود می آورد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Marine propellers design using particle swarm optimization with independent groups to improve efficiency and reduce cavitation

نویسندگان [English]

  • S.M Mousavi 1
  • M Khisheh 2
  • R Karimi 3
  • R Malmir 3

چکیده [English]

Due to the presence of too many parameters in the problem of the marine propeller design has been one of the challenging subjects for designers and researchers in this field. Nowadays, meta-heuristic algorithms are used to solve complex engineering problems. In this paper, for the first time, Independent Group Particle Swarm Optimization (IGPSO) algorithm is used to design the marine propellers. For this purpose, two targets viz. maximize the efficiency and minimize the cavitation as the fitness function are considered. To do this, during several trials, the effect of two important parameters on the fitness function, i.e. chord and thickness of the propeller, are calculated and the most optimal mode is selected by the IGPSO algorithm. In order to compare the results, the benchmark algorithms such as PSO and GA are used. The results show that the propeller with 5 or 6 blades with rotation speeds between 180 to 190 RPM will have the best performance in the tradeoff between efficiency and cavitation. The designed propeller by using IGPSO algorithm produced 86.64 dB and 106.79 dB noise for cavitation and non-cavitation mode, respectively. So, they produce 1.24 dB and 0.80 dB noise level lesser than other benchmark algorithms.

کلیدواژه‌ها [English]

  • Marine Propeller
  • Meta-heuristic Algorithm
  • IGPSO
  • Cavitation
  • Efficiency

[1] Brankes, J. Kaubler, T. and Schmeck, H., “Guidance in Evolutionary Multi-Objective Optimization”, Advances in Engineering Software, Vol.32, No.6, pp.499-507, 2001.

[2] رضا شمسی، "بررسی روش‌های طراحی پروانه‌های دریایی،" پایان‌نامه کارشناسی ارشد، دانشگاه صنعتی شریف، دانشکده مهندسی مکانیک، 1382.

[3] Carlton, J. S. “Marine Propeller & Propulsion,” Butterworth-Heinemann, 2012.

[4] Papanikolaou, A., “Ship Design: Methodologies of Preliminary Design,” Springer Dordrecht, London, 2015.

[5] Pouw, C. P. “Development of a Multi Objective Design Optimization procedure”, Anziam Journal, Vol.54, pp.345-360, 2013.

[6] حسن قاسمی، "بکارگیری روش المان مرزی و الگوریتم سینماتیکی برای طراحی پروانه کشتی،" مجله علمی پژوهشی مهندسی دریا، شماره 1، ص25-38، تابستان 1383.

[7] حجت مختاری و حسین موسوی زادگان، “الگوریتم طراحی بهینه پروانه برای شناورها با استفاده از سری B-Wagingen"، دوازدهمین همایش صنایع دریایی ایران (MIC 2010)، مهرماه 1389.

[8] Chen, J. H. and Shih, Y. Sh., “Basic Design of a Series Propeller with Vibration Consideration by Genetic Algorithm,” Journal of Marine Science and Technology, Vol.12, No.3,  pp.119-129, 2007.

[9] Benini, E., “Multi-objective Design Optimization of B-Screw Series Propeller using Evolutionary Algorithms,” Marine Technology, Vol.40, No.4, pp.229-238, 2003.

[10] Suen, J. B. and Kouh, J. S., “Genetic Algorithms for Optimal Series Propeller Design,” Proceeding of the Third International Conference on Marine Technology, Poland, pp.237-246, 1999.

[11] جواد رحمان نژاد، حسن قاسمی و عباس مرید حسنوند، "طراحی بهینه پروانه کشتی با استفاده از الگوریتم ژنتیک،" یازدهمین همایش صنایع دریایی ایران، جزیره کیش، آبان ماه 1388.

[12] سجاد اردشیری، حسن قاسمی و محمود غیاثی، "طراحی بهینه پروانه کشتی همراه با ملاحظات ارتعاشی با استفاده از الگوریتم ژنتیک،" دوازدهمین همایش صنایع دریایی ایران      (MIC 2010)، زیبا کنار، مهرماه 1389.

[13] Skaland, E. K., “The Influence of the Choice of Propeller Design Tool on Propeller Performance,” Master Thesis, Department of Marine Technology, Norwegian University of Science and Technology, 2016.

[14] Mirjalili, S. A., “The Ant Lion Optimizer,” Advances in Engineering Software, Vol.83, pp.80-98, May 2015.

[15] Mirjalili, S. A., Mirjalili, S. M. and Lewis, A., “Let a Biogeography-based Optimizer Train Your Multi-Layer Perceptron,” Journal of Information Sciences, Vol.269, pp.188-209, June 2014.

[16] Abedifar, V., Eshghi, M., Mirjalili, S. and Mirjalili, S. M., “An Optimized Virtual Network Mapping using PSO in Cloud Computing,” 21st Iranian Conference on Electrical Engineering, pp.1-6, 2013.

[17] Nguyen, L. S., Frauendorfer, D., Mast, M. S. and Gatica-Perez, D., “Hire Me: Computational Inference of Hirability in Employment Interviews based on Nonverbal Behavior,” IEEE Transactions on Multimedia, Vol.16, No.4, pp.1018-1031, 2014.

[18] Barakat, M. Lefebvre, D., M. Khalil, F. Druaux and O. Mustapha, “Parameter Selection Algorithm with Self Adaptive Growing Neural Network Classifier for Diagnosis Issues,” International Journal of Machine Learning, Vol.4, No.3, pp.217-233, 2013.

[19] Guo, Z. X. Wong, W. K. and Li, M., “Sparsely Connected Neural Network-based Time Series Forecasting,” Information Sciences, Vol.193, pp.54-71, 2012.

[20] Csáji, B. C. “Approximation with Artificial Neural Networks,” Faculty of Sciences, Etvs Lornd University, Hungary, 2001.

[21] Mirjalili, S. Mirjalili, S. M. and Lewis, A., “Grey Wolf Optimizer,” Advances in Engineering Software, Vol.69, pp.46-61, 2014.

[22] Hedayatzadeh, R. ,  Salmassi, F. A.,    Keshtgari, M.  and Akbari, R., “Termite Colony Optimization: A Novel Approach for Optimizing Continuous Problems,” 18th Iranian Conference on Electrical Engineering (ICEE), pp.553-558, 2010.

[23] Mirjalili, S., Lewis, A. and Sadiq, A. S. “Autonomous Particles Groups for Particle Swarm Optimization,” Arabian Journal for Science and Engineering, Vol.39, No.6, pp.4683-4697, 2014.

[24] Mirjalili, S., Mirjalili, S. M. and Yang, X. S., “Binary Bat Algorithm,” Neural Computing and Applications, Vol.25, No.3-4, pp.663-681, 2013.

[25] Wang, G. G., Gandomi A. H. and Alavi, A. H., “A Chaotic Particle-swarm Krill Herd Algorithm for Global Numerical Optimization,” Kybernetes, Vol.42, No.6, pp.962-978, 2013.

[26] Wang, G. G., Gandomi, A. H. and Alavi, A. H. “An Effective Krill Herd Algorithm with Migration Operator in Biogeography-based Optimization,” Applied Mathematical Modeling, Vol.38, No.9-10, pp.2454-2462, 2014.

[27] محمد کاظمی راد، داوود غرویان و رحیم مالمیر، "تحلیل طیف فرکانسی نویز پروانه های مغروق در تونل کاویتاسیون،" دریافنون، دوره 2، شماره 2، ص 1-12، 1394.