Μέθοδοι Αεροδυναμικής Βελτιστοποίησης

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ Εργαστήριο Θερμικών Στροβιλομηχανών Μονάδα Παράλληλης ης Υπολογιστικής Ρευστοδυναμικής & Βελτιστοποίησης Μέθοδοι Αεροδυναμικής Βελτιστοποίησης 7 ο Εξάμηνο Σχολής Μηχανολόγων Μηχανικών ΕΜΠ Εισαγωγικό Μάθημα Κυριάκος Χ. Γιαννάκογλου Καθηγητής ΕΜΠ kgianna@central.ntua.gr http://velos0.ltt.mech.ntua.gr/research/

Εισαγωγή Η βελτιστοποίηση είναι σήμερα βασικό στοιχείο σε κάθε επιστήμη. Από την ΑΝΑΛΥΣΗ στη ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ!!!! Βελτιστοποίηση λαμβάνει χώρα, ακόμη και αν αυτό δεν φαίνεται ή λέγεται ξεκάθαρα, σχεδόν σε κάθε σχεδιασμό προϊόντος, υπηρεσίας ή διεργασίας. Το θέμα είναι αν γίνεται με το βέλτιστο τρόπο. Οι μέθοδοι βελτιστοποίησης, σε γενικές γραμμές, είναι ίδιες ανεξάρτητα από τον αν εφαρμόζονται στην αεροδυναμική, στην υδροδυναμική, στις κατασκευές, στους αυτοματισμούς, σε ενεργειακά θέματα κλπ. Μόνο οι ιδιαιτερότητες αλλάζουν Από τη ΜΟΝΟΚΡΙΤΗΡΙΑΚΗ ΒΕΛ/ΣΗ (Single Objective Optimization, SOO) στην ΠΟΛΥΚΡΙΤΗΡΙΑΚΗ ΒΕΛ/ΣΗ (Multi Objective Optimization, MOO) και, μετά στη ΔΙΕΠΙΣΤΗΜΟΝΙΚΗ ΒΕΛ/ΣΗ (Multi Disciplinary Optimization, MDO). Το μάθημα δεν απευθύνεται αποκλειστικά σε «αεροναυπηγούς». K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 2

Ορολογία Βέλτιστος Σχεδιασμός Αυτοκινήτου Σχεδιασμός Βέλτιστου Αυτοκινήτου Βέλτιστος Σχεδιασμός Βέλτιστου Αυτοκινήτου Βέλτιστος Σχεδιασμός Μορφής Αυτοκινήτου Σχεδιασμός Βέλτιστης Μορφής Αυτοκινήτου Βέλτιστος Σχεδιασμός Βέλτιστης Μορφής Αυτοκινήτου K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 3

Από την Ανάλυση στο Σχεδιασμό-Βελτιστοποίηση Όταν γνωρίζουμε πως να αναλύσουμε μια μηχανολογική συνιστώσα ή μια διεργασία (ευθύ πρόβλημα, direct problem or analysis), το επόμενο βήμα είναι να κινηθούμε ανάποδα με στόχο το σχεδιασμό βελτίωση - βελτιστοποίηση τους με βάση απαιτήσεις και προδιαγραφές (αντίστροφο πρόβλημα, inverse problem, design problem, optimization). Με γνωστή γεωμετρία...... γεννάται υπολογιστικό πλέγμα... 1.51426 1.44255 1.37084 1.29913 1.22742 1.15571 C 1.084 1.01229 0.94058 0.86887 0.79716 0.725451 0.653741 0.582031 C L = C D = 0.510321 0.438611 0.366901... λύνονται αριθμητικά οι εξ. Navier-Stokes...... και με μετεπεξεργασία αποτελεσμάτων... 0.295192 0.223482 0.151772 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 4

Τι είναι Βέλτιστο? Το πιο γρήγορο Το πιο οικονομικό Το πιο άνετο Το πιο οικολογικό Το βέλτιστο ως προς μια συνάρτηση-στόχο (min ή max F) ΌΜΩΣ: Ένας ή περισσότεροι στόχοι? K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 5

Καθορισμός στόχων Συνάρτηση-στόχος Στη συνέχεια, καθορίζονται οι στόχοι (targets, ένας ή περισσότεροι) και φέρονται στη μορφή συνάρτησης στόχου (objective function) που καλούμαστε να ελαχιστοποιήσουμε ή να μεγιστοποιήσουμε. Στα σύνθετα τεχνολογικά προβλήματα, εδώ υπάρχουν συχνά πολλές επιλογές. Υπάρχει η δυνατότητα να συνενωθούν στόχοι σε μια αντικειμενική συνάρτηση (ή όχι), να γίνει διαχείριση στόχων στη μορφή περιορισμών (constraints), κλπ. Παράδειγμα διαφορετικών επιλογών: max C L min -C L min 1/C L max C L min C D min C D min C D max -C D min C D + w/c L min C D + 1/C L min C D + 10/C L min C D υπό τον περιορισμό: C L =1.2 min C D υπό τον περιορισμό: C L >1.2 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 6

Ορολογία Objective Function Συνάρτηση Στόχος (Αντικειμενική Συνάρτηση) Cost Function Συνάρτηση Κόστους (προς ΕΛΑΧΙΣΤΟΠΟΙΗΣΗ) Fitness Function Συνάρτηση Καταλληλότητας (προς ΜΕΓΙΣΤΟΠΟΙΗΣΗ) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 7

Συνάρτηση-Στόχος Objective: Minimum DRAG Objective Function: DRAG Coefficient min F=C D K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 8

Μεταβλητές Σχεδιασμού Παραμετροποίηση Μορφής: Β Α θ y B y A x A x B L N=6 degrees of freedom (dofs; Βαθμοί Ελευθερίας) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 9

Μεταβλητές Σχεδιασμού Πριν ξεκινήσει οποιαδήποτε βελτιστοποίηση, πρέπει να αναγνωρισθούν οι ελεύθερες μεταβλητές ή παράμετροι (free variables) ή μεταβλητές σχεδιασμού (design variables) του προβλήματος. Η επιλογή αυτή είναι ιδιαίτερα κρίσιμη. Λάθος επιλογή μπορεί να σημαίνει ότι υπάρχουν ενδεχομένως βέλτιστες λύσεις που η μέθοδος βελτιστοποίηση δεν θα μπορέσει να εντοπίσει. Παράδειγμα αεροδυναμικού σχεδιασμού πτέρυγας: Πόσες??? Ποιες??? K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 10

Μεταβλητές Σχεδιασμού Προσοχή στην επιλογή! K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 11

Μεταβλητές Σχεδιασμού Προσοχή στην επιλογή! K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 12

Αξιολόγηση Λογισμικό Αξιολόγησης: Κώδικας επίλυσης εξισώσεων ροής Συνεκτικές τάσεις C D = carcontour forces K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 13

Αξιολόγηση L x A y A x B y B θ b = b1= b2= b3= b4= b5= b6= F=C D = K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 14

Περιορισμοί Constraints: Μια μη-αποδεκτή λύση!!! K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 15

Μέθοδοι Βελτιστοποίησης Gradient-Based Method (Μέθοδοι δ Κλίσης F) vs. Stochastic Methods (Στοχαστικές Μέθοδοι) F(x) () Individual-based Methods (Ατομικές Μέθοδοι) vs. Population-based Methods (Πληθυσιασμικές Μέθοδοι) x K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 16

Βελτιστοποίηση: Συνολικά τι χρειάζομαι? Για μια βελτιστοποίηση χρειάζονται: Στόχος ή στόχοι (min ή max). Ελεύθερες μεταβλητές ή μεταβλητές σχεδιασμούβελτιστοποίησης. Ενδεχομένως περιορισμοί ρ (συμπερ/νων μ των ορίων των μεταβλητών σχεδιασμού). Μια μέθοδος αξιολόγησης (ανάλυσης) υποψηφίων λύσεων ή υποκατάστατά της. Μια μέθοδος βελτιστοποίησης. K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 17

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) Πληθυσμιακή Μέθοδος - A Population-based Algorithm: K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 18

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) Αξιολόγηση Πληθυσμού - Evaluation of the Population: F=0.29 F=0.33 F=0.36 F=0.50 F=0.45 F=0.42 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 19

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) Επιλογή Γονέων - Parent Selection: F=0.29 F=0.33 F=0.36 F=0.29 F=0.45 F=0.42 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 20

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) (Two Parents-Γονείς) Διασταύρωση -Crossover (Two Offspring/Απόγονοι) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 21

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) Μετάλαξη -Mutation K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 22

Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms) The New Offspring Population K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 23

Πολυκριτηριακή Βελτιστοποίηση Μέτωπο Pareto Price Bugatti Veyron 1100000 400 km/h VW Golf V 15000 220 km/h Simca 1100 2000 60 km/h (Top Speed) 1 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 24

Πολυκριτηριακή Βελτιστοποίηση Μέτωπο Pareto F 2, S ge Front 0 (Pareto) F 1 Front 1 Παράδειγμα δύο στόχων: min F 1, min F 2 Front 2 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 25

Πως θα συγκρίνατε τα παράτω μέτωπα Pareto? Περίπτωση Α: Περίπτωση Β: Περίπτωση Γ: F 2 F 2 F 2 F 1 F 1 F 1 Σχόλια λ.χ. για την περίπτωση Β: Δεν αποκλείεται κάποιος να είναι περισσότερο ευχαριστημένος με το μπλέ μέτωπο και κάποιος άλλος με το κόκκινο μέτωπο! Αρχίστε να σκέφτεστε την ιδέα του «μετώπου των μετώπων Pareto» (αποτελείται από τις μη-κυριαρχούμενες λύσεις από όλα τα διαθέσιμα μέτωπα). Τότε θα ήταν ενδιαφέρον να καταγράφονταν ποιες και πόσες από τις λύσεις του τελικού μετώπου έδωσε κάθε μέθοδος. K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 26

Πολυκριτηριακή Βελτιστοποίηση Μέτωπο Pareto Ας γνωρίζουμε ότι: Δεν μπορούν όλες οι μέθοδοι βελτιστοποίησης να παράγουν το μέτωπο των κατά Pareto βέλτιστων λύσεων,, τουλάχιστον «με μ τη μία». Προφανώς, μέτωπο Pareto υπολογίζεται για οποιοδήποτε αριθμό στόχων. Μέχρι 3 στόχους, το μέτωπο Pareto απεικονίζεται.aλλά, για περισσότερους από 3 στόχους, το ποιος είναι ο καλύτερος τρόπος να παρουσιασθεί και να κατανοηθεί το πολυδιάστατο μέτωπο Pareto είναι (και θα είναι) ένα «ανοιχτό θέμα». Το να υπολογισθεί το μέτωπο Pareto στοιχίζει ασφαλώς περισσότερο από το να λυθεί το πρόβλημα ως προς μόνο ένα στόχο. Με τον υπολογισμό του μετώπου Pareto, ουσιαστικά αρχίζει ένα νέο πρόβλημα (δικό μας ή κάποιου άλλου): ποια λύση από τις πολλές του μετώπου θα επιλεγεί. Μια νέα επιστήμη το αναλαμβάνει: λήψη απόφασης, decision making! Δεν συγκρίνονται εύκολα και «αντικειμενικά» δύο μέτωπα Pareto! K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 27

Βελτιστοποίηση Τι άλλο μας ενδιαφέρει? Ταχύτητα εύρεσης της βέλτιστης λύσης ή των βέλτιστων λύσεων K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 28

Βελτιστοποίηση Ακολουθεί μια σειρά παραδειγμάτων πολυκριτηριακής βελτιστοποίησης, κυρίως αλλά όχι αποκλειστικά από την αεροδυναμική. Όλα έχουν μελετηθεί με υπολογιστικά εργαλεία που αναπτύχθηκαν και αναπτύσσονται στη Μονάδα Παράλληλης Υπολογιστικής Ρευστοδυναμικής & Βελτιστοποίησης του Τομέα Ρευστών της Σχολής Μηχανολόγων Μηχανικών ΕΜΠ. K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 29

Π1: Βελτιστοποίηση μορφής μεμονωμένης αεροτομής Πρόβλημα δύο στόχων: σε συνθήκες ροής: Ας γνωρίζουμε ότι: Στο σχήμα συγκρίνονται τα μέτωπα βέλτιστων λύσεων τριών μεθόδων βελ/σης και η απόδοση της αεροτομής αναφοράς. Όλες χρησιμοποίησαν την ίδια παραμετροποίηση μορφής (Bezier) με τα ίδια όρια μεταβολής των μεταβλητών σχεδιασμού. High-Lift: Κριτήριο τερματισμού κάθε υπολογισμού ήταν οι 1500 Exact Evaluations. Γι αυτό καμιά δεν εντόπισε Compromise: το μέτωπο Pareto. Βρείτε την καλύτερη! Low-Drag: K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 30

Π1: Βελτιστοποίηση μορφής μεμονωμένης αεροτομής Ποσοτική σύγκριση της απόδοσης των 3 μεθόδων: F 2 F 1 Ας γνωρίζουμε ότι: Ένας τέτοιος τρόπος σύγκρισης εμπεριέχει υποκειμενικές επιλογές. Άρα, ένας τέτοιος τρόπος σύγκρισης δεν είναι πανάκεια και σε «πιο μπερδεμένα μέτωπα» δύο διαφορετικοί τρόποι σύγκρισης μπορεί να βγάλουν διαφορετικό «νικητή» (βλ. επόμενη σελίδα). K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 31

Π2: Σχεδιασμός βέλτιστης πτερύγωσης συμπιεστή M 1 = 0.62 Re = 8,41 10 β β β 1, DOP 1, DOP 1, DOP = = = 47 o 43 51 o o 5 Βέλτιστη λειτουργία σε 3 σημεία λειτουργίας Πρόβλημα δύο στόχων: F F 1 ω β 1, DOP = = p p p p t1 t2 t1 1 β 1, D OP noff 4 2 = 10 1, 1, i =11 ( ω β i ω β DOP ) p t Συντ. Απ πωλειών p 43 o 47 o 51 o Γωνία εισόδου ροής K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 32

Π2: Σχεδιασμός βέλτιστης πτερύγωσης συμπιεστή Αποτελέσματα με το ίδιο υπολογιστικό κόστος: ίδιος αριθμός αξιολογήσεων (εξετασθεισών λύσεων) ance) n Points Performa Off-Design (O (Design Point Performance) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 33

Ανάγκη για χρήση Πολυεπεξεργασίας Η πολυεπεξεργασία ή η παράλληλη επεξεργασία (multi-processing or parallel processing) μπορεί να εφαρμοσθεί σε πολλά επίπεδα: Κάθε φορά που αξιολογείται μια λύση (λ.χ. τρέχει ένας κώδικας Navier-Stokes για μια αεροτομή ή μια πτερύγωση ή ένα αεροπλάνο) αυτό να γίνεται παράλληλα (τεχνική πολλαπλών υποχωρίων). Αν η μέθοδος βελτιστοποίησης είναι πληθυσμιακή (population-based optimization methods) και άρα μπορούν πολλές υποψήφιες λύσεις να αξιολογούνται ταυτοχρόνως, αυτό μπορεί να γίνει μοιράζοντας αξιολογήσεις στους διαθέσιμους επεξεργαστές. Να γίνονται και τα δύο ανωτέρω! (πολλές ταυτόχρονες αξιολογήσεις που καθεμιά θα γίνεται παράλληλα). ΠΡΟΣΟΧΗ: Το ενδιαφέρον και η έρευνα στρέφεται πλέον σε πραγματικά παράλληλες μεθόδους βελτιστοποίησης αντί της απλής μεταφοράς σε παράλληλο υπολογιστή μεθόδων που φτιάχτηκαν για σειριακή επεξεργασία!!!! K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 34

Π3: Optimization of a Reusable Launch Vehicle (RLV) Orbiter: start pitch control Separation Booster: engine cut off Gravity turn An example of the use of EASY (metamodel-assisted evolutionary algorithms) in a highly demanding problem Re-entry Turn Launch Landing Cruise In collaboration with K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 35

Π3: Optimization of a Reusable Launch Vehicle (RLV) + = Objective 1: Minimum shifting of the aerodynamic center; minimum control mechanisms. Objective 2: Minimum pitching moment at transonic flight; overcoming the drawback of high-performance arrow wings, for stability purposes. Objective 3: Minimum drag at transonic flight; the flight is transonic for major part of the range; maximum range. Objective 4: Maximum lift at subsonic flight; runaway distance to be minimized. F = C C supersonic transonic 1 Mp Mp transonic F2 = C Mp F F = C transonic 3 D = C subsonic 4 L In collaboration with K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 36

Π3: Optimization of a Reusable Launch Vehicle (RLV) 0.60 056 0.56 ubsonic F 4 =C su L 0.52 048 0.48 0.44 0.40 0.36 C Mpsuper -C Mptrans 0 0.020 0.040 0.060 0.080 0.10 0.12 0.14 016 0.16 0.18 0.20 0.04 0.05 0.06 0.07 0.08 0.09 F 3 =C transonic D In collaboration with K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 37

Π4: Design-Optimization of UAVs Σχεδιασμός που έγινε στο εργαστήριο, εκ του μηδενός, στο πλαίσιο δύο διπλωματικών εργασιών (Τόλιας και Τζίνιας, 2006) Specifications: Range : 500 km, Max. Cruise Altitude : 9000-10000 ft, Take off weight 200 kg, Take off / landing distance 500 m, Endurance : 4-5 hr, Rate of Climb: 1000 ft/sec, Payload : 20 kg K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 38

Π4: Design-Optimization of UAVs a inf = 0 o inf a inf = 5 o inf a inf = 10 o a inf = 15 o K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 39

Π5: Σχεδιασμός βέλτιστων σταθμών ηλεκτροπαραγωγής T P T T r P T P Τρεις Στόχοι: (a) μέγιστη απόδοση, (b) μέγιστη ισχύς, (c) ελάχιστη επένδυση. T T Έρευνα χρηματοδοτούμενη από τη K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 40

Π5: Σχεδιασμός βέλτιστων σταθμών ηλεκτροπαραγωγής Capital Cost (MEuro) 65 60 55 50 45 50 0.46 45 0.48 40 0.5 35 Efficiency 0.52 30G2 Power Output (MW) 0.54 25 K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 41

Π6: Βέλτιστη ανάθεση φορτίου σε μονάδες αεριοστροβίλων Δίνονται: Κ Αεριοστροβιλικές Μονάδες Η ενεργειακή ζήτηση για T ώρες. Ένας Στόχος: ελαχιστοποίηση του συνολικού λειτουργικού κόστους: Κόστος παραγωγής Επιβάρυνση της τιμής της συνάρτησης Κόστος εκκίνησης μονάδας κόστους αν δεν καλύπτεται η ζήτηση. Κόστος κράτησης μονάδας Έρευνα χρηματοδοτούμενη από τη ΓΓΕΤ (Πρόγραμμα ΠΕΝΕΔ) και τη K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 42

Π6: Βέλτιστη ανάθεση φορτίου σε μονάδες αεριοστροβίλων Προσέξτε: 1 1 1 1 1 1 1 1 0 0 0 0 1 0 1 1 1 1 1 0 1 1 0 0 0 0 1 0 M M M M M M O M 1 1 1 1 1 1 1 Εδώ δεν υπάρχουν συνεχείς αλλά διακριτές (0 ή 1) μεταβλητές. Θα χρησιμοποιηθούν ίδιες ή άλλες μέθοδοι? Εδώ υπάρχουν πολλοί περιορισμοί και δεν είναι δεκτές όλες οι δυαδικές στοιχειοσειρές ως λύσεις του προβλήματος. K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 43

Π6: Βέλτιστη ανάθεση φορτίου σε μονάδες αεριοστροβίλων Έρευνα χρηματοδοτούμενη από τη ΓΓΕΤ (Πρόγραμμα ΠΕΝΕΔ) και τη K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 44

Π7: Τhe HISAC Project Environmentally Friendly High Speed Aircraft Design of a new small size commercial supersonic transport aircraft: Environmental constraints: Noise, sonic boom, emissions Economically viable (range, time reduction, comfort, ) Environmental objectives Noise ICAO Chapter 4 less 8dB NOx emissions High altitude:less than 10g per kg fuel burnt (5g in the long term) At landing and take-off: comparable to subsonic aircraft Sonic boom less than 15 Pa (tbc) differential pressure (overland flight) Commercial characteristics objectives Size of cabin 8 to 16 passengers Speed transonic to M 1.8 Range Airfield length 3500 to 4500 nm (~6000 to ~9000 km) 7000 ft K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 45

Π7: Τhe HISAC Project SONACA NUMECA EEC TCD ADSE NLR VOLVO FOI Chalmers KTH EADS M IBK DLR IoA RRUK ARA CU ISVR DASSAV ECL LMFA ONERA SnM CNRS INRIA SENER CFS RUAG EPFL ALA Uni-NA DPA ESTECO INASCO NTUA SCA CIAM TsAGI ITAM K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 46

Π7: Τhe HISAC Project typical SCT project Concorde typical SSBJ SCT (same span as SSBJ) larger cabin reduced L/D lower range smaller wing fuel in fuselage K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 47

Π7: Τhe HISAC Project Noise at take-off Sonic boom-overland flight Cruise Fan HPC CC THPC LPT HPT T/O or trans Fan HPC CC LPT HPT Possible Designs Engine Noise (variable cycle concept) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 48

Π8: Σχεδιασμός εσωτερικά ψυχόμενου πτερυγίου στροβίλου Temperature distribution inside the vane Application in the second-stage vane of the high-pressure turbine of a two-spool low by-pass ratio turbofan engine. Total cycles needed for blade failure Mach number distribution around the vane Ένα καλό παράδειγμα Multidisciplinary Optimization! In collaboration with HAI K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 49

Π9: Σχεδιασμός μορφής αυτοκινήτων Ο χάρτης παραγώγων ευαισθησίας με συνάρτηση κόστους την δύναμη αντίστασης σε πραγματική γεωμετρία αυτοκινήτου (VW Passat B-6) Χρηματοδοτούμενη μ η έρευνα από την VolksWagen στη Μονάδα Παράλληλης ης Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 50

Π10: Βελτιστοποίηση γάστρας κορβέτας Εργασία που έγινε στη Σχολή Ναυπηγών (Καθ. Γρηγορόπουλος) με λογισμικό Βελτιστοποίησης τον κώδικα EASY της Μονάδα Παράλληλης Υπολογιστικής Ρευστοδυναμικής και Βλ Βελτιστοποίησης του ΕΜΠ K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 51

Π11: Βελτιστοποίηση Υδροδυναμικών Μηχανών Σχεδιασμός Βέλτιστου Δρομέα Μοντέλου Υδροστροβίλου Matrix (HYDROMATRIX ) Αξονικής ροής, λειτουργία σε πλέγμα. Εκμετάλλευση ήδη υπάρχουσας κατασκευής. Δυνατότητα αφαίρεσης μονάδων υδροστροβίλων. Γρήγορη, απλή, οικολογική, οικονομικά συμφέρουσα κατασκευή. Χρηματοδοτούμενη έρευνα από την Andritz-Hydro Hd στη Μονάδα Παράλληλης λ Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 52

Π11: Βελτιστοποίηση Υδροδυναμικών Μηχανών Βελτιστοποίηση σε ΤΡΙΑ ΣΗΜΕΙΑ ΛΕΙΤΟΥΡΓΙΑΣ Πραγματική λειτουργία Συνθήκες Εργαστηρίου Χρηματοδοτούμενη έρευνα από την Andritz-Hydro Hd στη Μονάδα Παράλληλης λ Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 53

Π11: Βελτιστοποίηση Υδροδυναμικών Μηχανών Παραμετροποίηση (42 μεταβλητές σχεδιασμού) Χρηματοδοτούμενη έρευνα από την Andritz-Hydro Hd στη Μονάδα Παράλληλης λ Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 54

Π11: Βελτιστοποίηση Υδροδυναμικών Μηχανών Χρηματοδοτούμενη έρευνα από την Andritz-Hydro Hd στη Μονάδα Παράλληλης λ Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 55

Π11: Βελτιστοποίηση Υδροδυναμικών Μηχανών (1) (2) (3) Χρηματοδοτούμενη έρευνα από την Andritz-Hydro Hd στη Μονάδα Παράλληλης λ Υπολογιστικής Ρευστοδυναμικής και Βελτιστοποίησης του ΕΜΠ(2007-2010) K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 56

Ταξινόμηση Προβλημάτων Βελτιστοποίησης: Συνεχή (continuous) και διακριτά (discrete) προβλήματα βελτιστοποίησης. Γενικά, απαιτούν άλλες μεθόδους επίλυσης. Καθολική (global) και τοπική (local) βελτιστοποίηση. Αιτιοκρατικά (deterministic) και στοχαστικά (stochastic) προβλήματα βελτιστοποίησης. Βελτιστοποίηση ενός ή περισσοτέρων στόχων (single- or multi-objective optimization). Βελτιστοποίηση μιας ή περισσοτέρων επιστημονικών περιοχών (single- or multi-disciplinary optimization). K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 57

Ταξινόμηση Μεθόδων Βελτιστοποίησης: Αιτιοκρατικές (deterministic) και στοχαστικές (stochastic) μέθοδοι βελτιστοποίησης. Ευρετικές μέθοδοι (heuristics) Υβριδισμός τους. Πως μια αιτιοκρατική μέθοδος βελτιστοποίησης αποκτά στοιχεία στοχαστικότητας, με ελάχιστες αλλαγές. Κέρδος και ζημιά! Νέες ιδέες εκεμταλλευόμενοι λ.χ. την παραλληλοποίηση ενός αλγορίθμου έρευνας (search) ή βελτιστοποίησης (optimization). K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 58

Πληροφορίες για το Μάθημα: Μοιράζεται βιβλίο του διδάσκοντος για το μάθημα. Το βιβλίο υπερκαλύπτει την ύλη. Μοιράζεται μια σειρά ΠΡΟΑΙΡΕΤΙΚΩΝ θεμάτων (homeworks) για επίλυση από τους σπουδαστές (ατομική ή σε ομάδες των δύο). Ο σπουδαστής επιλέγει ο ίδιος τα θέματα που θα παραδώσει. Τα θέματα αυτά συμμετέχουν στον τελικό βαθμό μέχρι ποσοστού 50%. Αντί να δίνεται ένας βαθμός σε κάθε θέμα που παραδίνεται, αυτό αυτόματα βαθμολογείται με Δέκα (10) αλλά καθορίζεται το ποσοστό που συμμετέχει στον τελικό βαθμό (ανάλογα με την ποιότητα και ποσότητα δουλειάς που έγινε, το από πόσους σπουδαστές έγινε, κλπ). Όσα homeworks είναι υπολογιστικά απαιτούν βασικές γνώσεις μιας γλώσσας προγραμματισμού. Συνήθως μοιράζεται λογισμικό και ο σπουδαστής καλείται να το χρησιμοποιήσει για να επιλύσει το πρόβλημα, με καμία ή λίγες παρεμβάσεις σε αυτό. Σε κάθε homework ορίζεται το ελάχιστο ζητούμενο από όποιον το παραδώσει και δίνονται 2-3 ιδέες ώστε όποιος θέλει να εμβαθύνει περισσότερο στο θέμα, με αντίστοιχη «ανταμοιβή». Μοιράζεται βασικό λογισμικό βελτιστοποίησης. Τέλος, επιλύονται στον πίνακα μερικές «μεγάλες ασκήσεις» (και, αν πρέπει, λύνονται με υπολογιστή μέσα στην τάξη)(θα μπορούσε να ήταν homeworks όμως λύνονται μέσα στην τάξη). Πιθανή σύνδεση με θέμα εξετάσεων, κατόπιν συμφωνίας εκ των προτέρων). K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 59

Δραστηριότητες στην Ευρώπη: K.C. Giannakoglou, Parallel CFD & Optimization Unit, NTUA, Greece 60