بهبود بازده و کاهش کاویتاسیون پروانه‌های دریایی با استفاده از الگوریتم کپک لجنی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی مکانیک، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران

2 استادیار گروه مهندسی مکانیک، واحد ساری، دانشگاه آزاد اسلامی ، ساری، ایران

3 استادیار دانشگاه علوم دریایی امام خمینی (ره)

چکیده

با توجه به شرایط ناهمگون و پیچیده انتشار امواج آکوستیکی در زیر آب، محاسبات و طراحی‌های مربوط به این حوزه از پیچیدگی‌های خاصی برخوردار است. علاوه بر شرایط محیطی و ناهمگونی موجود، در طراحی پروانه‌های دریایی، مؤلفه‌های بسیار زیادی وجود دارند که گاهی با یکدیگر در تعارض می‌باشند. این موارد سبب گردیده که طراحی پروانه‌های دریایی به یکی از موضوعات چالش‌برانگیز برای طراحان و محققان این حوزه تبدیل شود. امروزه بهینه‌سازی چندهدفه به عنوان یکی از راه‌‌حل‌های مسائل پیچیده با عدم قطعیت تبدیل‌شده است. در طراحی پروانه‌های دریایی بالاترین بازده و کم‌ترین کاویتاسیون از اهداف اصلی طراحان می‌باشد که این دو هدف در تعارض با یکدیگر می‌باشند. در این مقاله به منظور دستیابی به یک موازنه بهینه بین دو هدف مذکور از الگوریتم بهینه‌ساز کپک لجنی برای اولین بار استفاده خواهد شد. بدین منظور تابع شایستگی بر اساس بیشینه‌ سازی بازده و کمینه سازی سطح کاویتاسیون تولیدی بر اساس مؤلفه‌های اصلی طراحی پروانه پیشنهاد می‌شود. به منظور ارزیابی روش پیشنهادی از محیط‌ شبیه‌ساز Openprob و همچنین آزمایش تجربی در تونل کاویتاسیون استفاده می‌شود. به منظور مقایسه نتایج، از الگوریتم‌های معیار GWO، ALO، MFO و BBO استفاده‌شده است. نتایج نشان‌دهنده بهبود 4/2 درصد در بازده و dB21 در سطح نویز کاویتاسیون ایجادشده می‌باشد

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Marine Propellers Design Using Slime Mould Optimization Algorithm to Improve the Efficiency and Reduce the Cavitation

نویسندگان [English]

  • Rasoul karimi 1
  • Vahid Shokri 2
  • Mohammad Khishe 3
1 Department of Mechanical Engineering, Sari Branch, Islamic Azad University, Sari, Iran
2 Department of Mechanical Engineering, Sari Branch, Islamic Azad University, Sari, Iran
3 Electronic Departemant, Imam Khomeini Marine University
چکیده [English]

Due to the presence of too many parameters in the problem of the marine propeller design such as the existence of several conflicting objectives, unstable and very complex environmental conditions, marine propellers design has been one of the challenging subjects for designers and researchers in this field. Nowadays, meta-heuristic algorithms are used as one of the highly efficient solutions to solve complex engineering problems. In this paper, for the first time, SMA algorithm is used to design the marine propellers. For this purpose, two targets viz. maximize the efficiency and minimize the cavitation, which are in conflict with each other, as the fitness function is 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, is calculated and the most optimal mode is selected by the SMA algorithm. In order to compare the results, the benchmark algorithms such as GWO، ALO، MFO و BBO 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. Results indicate the improvement of 2.4 percent in efficiency and 21dB reduction in cavitation level

کلیدواژه‌ها [English]

  • Marine Propeller
  • Meta-heuristic Algorithm
  • SMA
  • Cavitation
  • Efficiency
[1] Rankine, “W.J.M. On the mechanical principles of the action of propellers.” Transactions of the Institution of Naval Architects, Vol. 6, pp. 13–39, 1865.
[2] J. Brankes, T. Kaubler and H. Schmeck, “Guidance in Evolutionary Multi-Objective Optimization,” Advances in Engineering Software, Vol.32, No.6, pp. 499-507, 2001.
[3] J. S. Carlton, “Marine Propeller & Propulsion,” Butterworth-Heinemann, 2012.
[4]  A. Papanikolaou, “Ship Design: Methodologies of Preliminary Design,” Springer Dordrecht, London, 2015
[5] C. P. Pouw, “Development of a Multi Objective Design Optimization procedure,” Anziam Journal, Vol.54, pp. 345-360, 2013.
[6] قاسمی حسن، "بکارگیری روش المان مرزی و الگوریتم سینماتیکی برای طراحی پروانه کشتی،" مجله علمی پژوهشی مهندسی دریا، شماره 1، ص25-38 تابستان 1383.
[7] مختاری حجت و موسوی زادگان حسین، “الگوریتم طراحی بهینه پروانه برای شناورها با استفاده از سری B-Wagingen،" ، دوازدهمین همایش صنایع دریایی ایران (MIC 2010) ، مهرماه 1389.
[8] J. H. Chen and Y. Sh. Shih, “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] E. Benini, “Multi-objective Design Optimization of B-Screw Series Propeller using Evolutionary Algorithms,” Marine Technology, Vol.40, No.4, pp.229-238, 2003.
[10] J. B. Suen and J. S. Kouh, “Genetic Algorithms for Optimal Series Propeller Design,” Proceeding of the Third International Conference on Marine Technology, Poland, pp. 237–246, 1999.
[11] رحمان نژاد جواد، قاسمی حسن و مرید حسنوند عباس، "طراحی بهینه پروانه کشتی با استفاده از الگوریتم ژنتیک،” یازدهمین همایش صنایع دریایی ایران، جزیره کیش ،آبانماه 1388.
 [12] اردشیری سجاد، قاسمی حسن و غیاثی محمود، "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] S. A. Mirjalili, “The Ant Lion Optimizer,” Advances in Engineering Software, Vol.83, pp.80-98, May 2015.
[14] S. A. Mirjalili, S. M. Mirjalili and A. Lewis, “Let a Biogeography-based Optimizer Train Your Multi-Layer Perceptron,” Journal of Information Sciences, Vol. 269, pp.188-209, June 2014.
[15] V. Abedifar, M. Eshghi, S. Mirjalili and S. M. Mirjalili, “An Optimized Virtual Network Mapping using PSO in Cloud Computing,” 21st Iranian Conference on Electrical Engineering, pp.1-6, 2013.
[16] L. S. Nguyen, D. Frauendorfer, M. S. Mast and D. Gatica-Perez, “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.
[17] P. Auer, H. Burgsteiner and W. Maass, “A Learning Rule for Very Simple Universal Approximators Consisting of a Single Layer of Perceptrons,” Neural Networks, Vol. 21, No. 5, pp.786-795, June 2008.
[18] M. Barakat, D. Lefebvre, 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] Z. X. Guo, W. K. Wong and M. Li, “Sparsely Connected Neural Network-based Time Series Forecasting,” Information Sciences, Vol.193, pp.54-71, 2012.
[20] B. C. Csáji, “Approximation with Artificial Neural Networks,” Faculty of Sciences, Etvs Lornd University, Hungary, 2001.
[21] Shimin Li     Huiling Chen   Mingjing Wang   Ali Asghar Heidari “Slime mould algorithm: A new method for stochastic optimization
 [22] Latty, T. and M. Beekman, Speed-accuracy trade-offs during foraging decisions in the acellular slime mould Physarum polycephalum. Vol. 278. 2011. 539-45.
[23]. Latty, T. and M. Beekman, Slime moulds use heuristics based on within-patch experience to decide when to leave. Vol. 218. 2015.
[24] Kareiva, P. and G. Odell, Swarms of Predators Exhibit "Preytaxis" if Individual Predators Use Area-Restricted Search. Vol. 130. 1987.
 [25] S. Mirjalili, A. Lewis and A. S. Sadiq, “Autonomous Particles Groups for Particle Swarm Optimization,” Arabian Journal for Science and Engineering, Vol.39, No.6, pp.4683–4697, 2014.
[26] S. Mirjalili, S. M. Mirjalili and X. S. Yang, “Binary Bat Algorithm,” Neural Computing and Applications, Vol.25, No.3-4, pp.663-681, 2013.
[27]G. G. Wang, A. H. Gandomi and A. H. Alavi, “A Chaotic Particle-swarm Krill Herd Algorithm for Global Numerical Optimization,” Kybernetes, Vol.42, No.6, pp.962-978, 2013.
[28] G. G. Wang, A. H. Gandomi and A. H. Alavi, “An Effective Krill Herd Algorithm with Migration Operator in Biogeography-based Optimization,” Applied Mathematical Modeling, Vol.38, No.9-10, pp.2454-2462, 2014.
[29] محمد کاظمی راد، داوود غرویان ، رحیم مالمیر، "تحلیل طیف فرکانسی نویز پروانه های مغروق در تونل کاویتاسیون،" دریافنون، دوره 2، شماره 2، ص 1-12، 1394.