JAXA宇宙科学研究所 ニュース皆様、明けましておめでとうございます。JAXA宇宙 科学研究所(以下、宇宙研)所長の任に就き、約10カ 月が経過したところですが、たいへんにスペクトル幅の
第21回新生流体科学セミナー@宇宙航空研究開発機構(JAXA)
-
Upload
masahiro-kanazaki -
Category
Documents
-
view
324 -
download
1
description
Transcript of 第21回新生流体科学セミナー@宇宙航空研究開発機構(JAXA)
流体機械における最適設計の実践
金崎 雅博
首都大学東京システムデザイン学部
航空宇宙システム工学コース
Follow me!: @Kanazaki_M (twitter.com/Kanazaki_M)
第21回新生流体科学セミナー 宇宙航空研究開発機構 調布航空宇宙センター
もくじ 最適化,とは? ~ 極値の求解から設計探査・Inovizationへ
実問題の解法
多目的評価法~Pareto Ranking法
遺伝的アルゴリズム
近似関数法,Kriging法
データマイニング,多変量解析
航空機設計問題に適用するために
考えに入れる必要がある制約条件
適用する評価方法
CAD
適用例1:自動車エンジン排気マニホールド設計(MOGA)
適用例2:PARSEC法の改良と火星探査航空機翼型設計(MOGA/PCP)
適用例3:実験的評値に基づくプラズマアクチュエータの配置最適化(Kriging/MOGA/ANOVA/PCP)
最適化,とは?
~ 極値の求解から設計探査・Inovizationへ
3
最適化とは?(1/4)
ある(目的)関数の最大値,最小値,希求値を求める
勾配が0となる点を求めることで求解可能
多峰性がある場合,複数の勾配0の点
勾配0の解は必ずや実用上の最適解であるか?
解の解釈
適切な問題設定
4
説明(設計)変数
目的関数
説明(設計)変数
目的関数
最適化ツールさえあれば都合の良い答えが得られる訳では無い
最適化とは?(2/4)
発見的手法の利用
勾配0を狙う方法→決定論的手法
局所的最適解が見つかる
最適性は保証
勾配法などが有名
多くの集団で比べあうことで求解
→発見的(確率論)的手法
大域的最適解が見つかる
最適性の保証は無いが集合を観察することでいろいろな知識を得ることが出来る
進化計算などが有名
5
最適化とは?(3/4)
実問題・システム設計問題(空力最適化,構造最適化,制御系最適化)
設計問題の吟味
効率的最適化法
後処理(流体可視化等と同じ?)
私見ですが…
実問題対応のためには分かりやすい手法を選択することも必要
ベテランの方々から本質的で有用な御意見を頂くために
Pre/post processの重要さ
問題設定の面白さと適切さが最適設計研究には肝要
6
最適化とは?(4/4)
「最適設計」を取り巻く思想的な変遷
最大値・最小値を求める (古典的手法)
設計空間の大域的知識を獲得する「設計探査」(Prof. Obayashi)
多目的設計探査 (Multi-Objective Design Exploration: MODE)
アブダクション(演繹,帰納と同じく必要な思考)
大域的多目的最適化に寄るイノベーション
(Inovization: Prof. Deb)
設計原理の抽出を支援する優化設計 (Prof. Wu)
7
実問題の解法
8
航空宇宙機の新規開発では・・ 多様な要求を満たす革新的な設計
議論の時間も十分与える,高い設計効率
・・が求められている
9実問題への適用
方針転換後が(我が国より)早いのは知識・蓄積が大きい ⇒ 組織体力を維持できる知識体系,知識の大規模化(年月・生産性)に対応
設計探査思想の必要性
Boeing767
Sonic Cruiser
音速近くで飛ぶ機体開発計画:2001年初旬に計画発表
9.11などによ
る航空市場の委縮
Mitsubishi Regional Jet(MRJ)
Boeing787
計画の見直し.通常の形態になり,経済性の高い787が2009年に初飛行
2002年頃から計画
Boeing社の事例を考察
設計知識の構築と運用
(Design Knowledge Management)
実問題への適用 10
Pareto optimum
多目的評価法→ Pareto ranking
現実の問題は多目的問題である.
履修する科目(単位を取る難しさvs. 興味)
アルバイトの選択(時給vs.楽さ)
・・・・ などなど
例)東京から大阪へ向かう場合の最適な交通手段
パレート最適解
劣解
複数の評価基準に基づいて最適性を調べる多目的問題
時間
運賃
工学問題でも多目的であることがほとんどex.)性能vs.コスト
空力性能vs.構造性能vs.環境・騒音
機械の性能を高めることにより悪化する物事に着目
11実問題への適用発見的手法としての遺伝的アルゴリズム
生物の進化プロセスを数学的に記述
選択・遺伝子交叉・突然変異
Blended Cross Over - α
Parent
Child
x2 x4x3x1 x5
12実問題への適用
多目的最適性の評価 ~ Pareto Ranking
Prof. FonsecaらによるRanking法 Prof. DebらによるRanking法→ Non-dominated Sorting
f1, f2の同時最小化問題
13実問題への適用
多様性の維持,HPCに対応した進化計算法
並列計算への高い親和性(出来た個体は個別に評価して良い)
分散スキーム
(いっそ親集合も分けてみる → 高い多様性)
14実問題への適用
近似関数法応答曲面法
決めた関数形に最小二乗法で係数を求める
Kriging法など既知のデータセットから確率的に未知の値を予測
)()( iiy xx
global model localized deviation
from the global model
15実問題への適用
EI(Expected Improvement):最適性と誤差のバランスを示す指標
s
fys
s
fyfyIE maxmax
max
ˆˆ)ˆ( x
, :standard distribution,
normal density
:standard errors
解ごとに近似モデルを構築
多目的最適化と追加サンプルの選択
初期設計のサンプリング・評価
追加サンプルの評価
Termination?
Yes
データマイニング,設計知識
No
Kriging model
Genetic Algorithms
任意の評価手法
実際の解
初期の近似解
初期のサンプル
追加サンプル
更新された近似解
関数最小化問題におけるEI値による追加サンプリングのイメージ.空間誤差が大きく,最適性を示す可能性が高い場所にサンプルを追加する.
DR Jones, “Efficient Global Optimization of Expensive Black-Box Functions,” 1998.
16実問題への適用
大量のデータを得たまでは良いですが…
可視化が必要→データマイニング・多変量分析
多変数,多目的空間を可視化により把握
恐らく三つに分類?
統計的グラフ手法 → 誰もが知るグラフを活用
学習的クラスタリング・ルール抽出手法→ ちょっと難しい
分散解析→多変量分析法に分類
17実問題への適用
Parallel Coordinate Plot (PCP)
設計問題の可視化
設計変数・目的関数の上下限で正規化した値を平行にプロットし1設計分を線で連結
類似例:レーダーチャート
18実問題への適用自己組織化マップ(Self organizing map: SOM)
Prof. Kohonenにより提案される
教師無し学習
高次元のデータを低次元のマップに落とし込む
変量の従属関係を知ったうえで利用する事が重要
多次元のデータ(ベクトル)
低次元で可視化できるマップ(2次元マップを作成し,ベクトルの成分により色づけ)
学習
obj1 obj2.
・それぞれの6角形は入力に対応した多次元データをあらわすベクトルを示す.
19
入力データ(X1, X2, …., XN), Xi: 目的関数をあらわすベクトルを利用
六角形であることに意味は無い.(見易さにより選択)マップ上にあるノードの数にも意味は無い.
実問題への適用
1.マップの初期化 2.入力ベクトルXi
に対して最も近いベクトルWを求める.
3.Learning1
W はXiに近づくように学習する.W = W +α(Xi- W)
4.Learning2
Wの近傍も同様に学習する.
SOMの学習プロセス
i=1, 2,…..NXi
W
Functional Analysis of Variance (Functional ANOVA)
多変量解析のひとつ,目的関数の変動を観察
niinii dxdxdxdxxxyx ,..,,,...,),.....,(ˆ)( 1111
nn dxdxxxy ,.....,),.....,(ˆ11
nn
iii
dxdxxxy
dxx
ip...),....,(ˆ 1
2
1
2
設計変数 xiによる変動は
ここで
全変数の変動に対する設計変数 xiの寄与は
variance
Inte
gra
te
μ1
Proportion (Main effect)
20実問題への適用
21設計問題に適用するために
考えに入れる必要がある制約条件があるはず
航空機の場合Lift=Weight
Trim balance
適用する評価方法
High-fidelity solver, Low-fidelity solver
実験
CAD
どの様に線を引くか?NURBS, B-spline
PARSEC法
適用例1:自動車エンジン排気マニホールド設計(MOGA)
22
2011/2/16 7:00日本経済新聞 電子版
14th January 2003 Masahiro Kanazaki
23
エアクリーナ
スロットルチャンバ
吸気コレクタ
吸気マニホールド
吸気ポート
吸気バルブ
外気
燃焼室
マフラー
排気マニホールド
排気チューブ
排気ポート
排気バルブ
触媒
スムーズな排気
出力増加
排気温度最大化
排気マニホールド
有害物質除去
充填効率最大化
エンジンサイクルと排気マニホールド
充填効率(%)=100×新たに流入してきた気体の体積/シリンダの体積
MPSシンポジウム2003
適用例1:自動車エンジン排気マニホールド設計
適用例1:自動車エンジン排気マニホールド設計
自動車エンジン排気マニフォールド
数個の燃焼室からの排気を纏める
燃焼室が多いほど纏め方が難しい
同時に纏めてしまうと出力が低下
小型の車には小型の排気マニフォールド
大出力の車には長い排気マニフォールド排気される流量・流速・温度などによる
触媒反応は排気が高温であるほど良好
24
適用例1:自動車エンジン排気マニホールド設計 25
エンジンサイクル全般 : 実験値によりモデル化された一次元非定常コード
排気マニホールド管 : 三次元非構造Eulerコード
適用例1:自動車エンジン排気マニホールド設計 26
1. 管路の設計
2. 半径の設定と壁面の生成
3. 干渉部分の抽出と除去(前進先端法)
4. 管の結合
適用例1:自動車エンジン排気マニホールド設計 27
排気マニホールドの最適設計 目的関数
6000回転での充填効率 1500回転での排気温度
設計変数 分岐位置(Case1:3設計変数)
分岐位置と管の径(一律)(Case2:4設計変数)
分岐位置と管の径(分岐位置ごとに変更,テーパー管)
(Case3:6設計変数)
集団サイズ 32(Case1)
64(Case2,3)
遺伝的操作 領域分割数 : 4
移住間隔 : 4 世代 交叉方法 : BLX-0.5
突然変異率 : 0.1
1管部 (b*r0) 2管部 (a*r0) 4管部(r0)
分岐3 分岐 1,2
分岐位置に対する子の決定 径に対する子の決定
親1 親2
親1 親2
D
B (Maximum temperature)
適用例1:自動車エンジン排気マニホールド設計 28
1490 1500 1510 1520
85
87.5
90
Ch
arg
ing
eff
icie
ncy
(%
)
Temperature (K)
Initial
A
B
CD
A,C : 出力最大で排気温度も高い → テーパーが大きくなることの効果
A (Maximum charging efficiency)
C
適用例1:自動車エンジン排気マニホールド設計
ただ,設計変数と性能との関係を体系化するに至らず…
パラメータ設定の段階でそれらの意味づけをしっかりしていなかった.
29
適用例2:PARSEC法の改良と火星探査航空機翼型設計(GA,PCP)
30
適用例1:修正PARSEC法と翼型設計Image of MELOS
31
Ikeshita/JAXA
火星複合探査のひとつとして航空機による探査がある
技術的課題 推進 空力 構造
・地球と比較して1%の大気密度,2/3
程度の音速・より高い空力性能を持つ翼型が必要・石井翼が有望な翼型のひとつ
適用例1:修正PARSEC法と翼型設計未知の問題に対応できる翼型表現法
B-spline curve, NURBS
自由な表現が可能
設計点(制御点)と空力性能とは無関係
PARSEC(PARametric SECtion) method*
32
*Sobieczky, H., “Parametric Airfoils and Wings,” Notes on Numerical Fluid Mechanics, pp. 71-88, Vieweg 1998.
遷音速翼型設計の知見から設計点を設定した手法
上下面が独立に定義される
自動最適設計アルゴリズムやデータマイニングなどでの利用が用意
Leading edge (LE)で設定できるパラメータが少ない
前縁丸みの中心が翼弦線上(大きなキャンバを持つ翼型の設計に不利)
適用例1:修正PARSEC法と翼型設計修正PARSEC翼型表現法 **
翼厚分布とキャンバー分布を独立に定義一般的な翼型定義法に基づく
Matushimaらにより,超音速翼を再現可能であることを検証**
オリジナルPARSEC法の共通する利点設計変数の数は同程度
設計変数を用いて現象を説明可能⇒データマイニングなどと高い親和性
33
** K. Matsushima, Application of PARSEC Geometry Representation to High-Fidelity Aircraft Design by CFD,
proceedings of 5th WCCM/ ECCOMAS2008, Venice, CAS1.8-4 (MS106), 2008.
適用例1:修正PARSEC法と翼型設計修正PARSEC法による翼型表現
翼厚分とキャンバ分布をそれぞれ定義
前縁丸みの中心は常にキャンバー上
翼厚分布はオリジナルPARSECで対称翼型を定義したものと同等
キャンバー分布は 5次関数 ルートの項を入れる事により,キャンバーの前縁半径を設計可能
12の設計変数により翼型定義
34
+
2
126
1
n
xazn
nt
5
1
0
n
n
nc xbxbz
CamberThickness
適用例1:修正PARSEC法と翼型設計問題設定多目的設計問題
Maximize maximum l/d
Minimize Cd0(零揚力抵抗)subject to t/c=target t/c (t/c=0.07c)
空力性能評価構造格子法に基づく圧縮性粘性ソルバー
Baldwin-Lomax turbulent model
火星大気条件Density=0.0118kg/m3
Temperature=241.0K
Speed of sound=258.0m/s
主流条件Velocity=60m/s
Reynolds number:20,823.53
Mach number:0.233
適用例1:修正PARSEC法と翼型設計
設計空間
0.35 for t/c=0.07c
Upper bound Lower bound
dv1 LE radius 0.0020 0.0090
dv2 x-coord. of maximum thickness 0.2000 0.6000dv3 z-coord. of maximum thickness 0.0350 0.0350dv4 curvature at maximum thickness -0.9000 -0.4000dv5 angle of TE 5.0000 10.0000dv6 camber radius at LE 0.0000 0.0060dv7 x-coord. of maximum camber 0.3000 0.4000dv8 z-coord. of maximum camber 0.0000 0.0800dv9 curvature at maximum camber -0.2500 0.0100dv10 z-coordinate of TE -0.0400 0.0100dv11 angle of camber at TE 4.0000 14.0000
適用例1:修正PARSEC法と翼型設計多目的設計の結果,解空間
Multi-Objective Genetic Algorithm: (MOGA)
37
Des_moga#2
Des_moga#1
Des_moga#3
20個体30世代:目的関数間にトレードオフ
Baseline
適用例1:修正PARSEC法と翼型設計α vs. l/d, α vs. Cd, α vs. Cl
38
迎角0-15度に渡ってl/dとClが向上
Cdを小さくする解が存在
適用例1:修正PARSEC法と翼型設計形状と圧力分布
39
Des_moga#1 Des_moga#2
Des_moga#3
最大l/dが最大となる時のCp 分布,及び翼型の比較
Des_moga#1-3は大きな後縁翼厚 Des_moga#1と3はサクションピークがやや小,Des_moga#2(選択回のうちで抵抗が最小)はサクションピークがやや大
適用例1:修正PARSEC法と翼型設計 40
全体として似た傾向を示すが,TE翼厚(th75)には比較的ばらつきが見られる.
PCPによる可視化(MOGAによる探索解)
適用例1:修正PARSEC法と翼型設計 41
l/d>45.0
PCPによる可視化(MOGAによる探索解,l/dでソート)
適用例1:修正PARSEC法と翼型設計 42
Cd0<0.0010
PCPによる可視化(MOGAによる探索解,Cd0でソート)
適用例1:修正PARSEC法と翼型設計 43
前縁翼厚(th25)は大→石井翼と同じ傾向 最大翼厚での翼厚の2階微分(dv4(zxx))も小さい(急なカーブを描くように)→後縁厚み
(th75)も小, MOGAの解のうち,maxl/dが大きいものはdv4(zxx)も小さい→後縁厚み(th75)が小 MOGAの解のうち,Cd0が小さいものは,後縁開き角(dv5),dv4(zxx)共に大→ 後縁厚み
(th75)が大
maxl/d th25 th75 maxl/d Cd0 th25 th75
max 54.2988 0.0700 0.1046 49.3560 0.0335 0.0700 0.0539min 23.1859 0.0102 0.0035 25.7858 0.0091 0.0677 0.0214
SOGA MOGA
l/d>45.0
Cd0<0.0010
Des_moga#1 Des_moga#2 Des_moga#3 Des_soga#1 Baseline
dv1 LE radius 0.0029 0.0022 0.0022 0.0023 0.0086dv2 x-coord. of maximum thickness 0.2815 0.2822 0.2880 0.2987 0.2000dv3 z-coord. of maximum thickness 0.0350 0.0350 0.0350 0.0350 0.0350dv4 curvature at maximum thickness -0.5613 -0.5220 -0.5960 -0.6123 -0.4600dv5 angle of TE 9.9043 9.3355 9.1472 5.2016 5.0000dv6 camber radius at LE 0.0014 0.0013 0.0011 0.0008 0.0016dv7 x-coord. of maximum camber 0.3674 0.3728 0.3707 0.3153 0.5200dv8 z-coord. of maximum camber 0.0177 0.0168 0.0177 0.0233 0.0200dv9 curvature at maximum camber -0.0331 -0.0465 -0.0489 -0.0063 -0.2500dv10 z-coordinate of TE -0.0077 -0.0064 -0.0109 -0.0290 0.0000dv11 angle of camber at TE 7.7567 6.9447 6.0664 13.2839 4.5000
適用例1:修正PARSEC法と翼型設計得た解とBaselineとの比較
Baseline翼型(石井翼型)を修正PARSEC法で表現
前縁半径が小さく
MOGAの最大キャンバはやや小さく,曲率変化も小さく(フラットに),特にmaxl/dを大きくするためには曲率変化も小さくCd0を小さくするために,最大キャンバは小
SOGAの解では後縁角が大きい
高maxl/dの翼型は特に前縁キャンバがつく
Des_moga#1: compromised
Des_moga#2: Cd0小 Des_moga#3: maxl/d大
適用例1:修正PARSEC法と翼型設計
SOMによる解釈
45
前縁半径
maxl/d
Cd@maxl/d
キャンバーの前縁半径
適用例1:修正PARSEC法と翼型設計
SOMによる解釈
46
前縁半径 キャンバーの前縁半径
Cd@maxl/dmaxl/d
適用例3:実験的評価値に基づくプラズマアクチ
ュエータ駆動条件の最適化 ~風洞試験計画支援
(Kriging/GA)
47
適用例3:風洞試験計画支援
Plasma Actuator: PA 流体を制御する能動的空力制御デバイスのひとつ
電極と不導体を用いて,その間に交流電圧を印加することによって空気を電離させ,それによって生まれるジェットを物体近傍流れの制御に利用
小型・軽量に製作が可能
48
適用例3:風洞試験計画支援
設置位置,駆動条件についてどのように良い条件を見つけるかが課題!
パルス幅変調方式 (Pulse Width Modulation:
PWM)による電圧印加が効果的であることがわかっているが,周期(T1, T2)等の最適位置は?
高精度な解を得るためには,数秒の現象をシミュレーションで数時間以上
風洞試験の評価値を直接最適化ループに反映できれば…
49
適用例3:風洞試験計画支援
Efficient Global Optimization(EGO=Kriging法+遺伝的アルゴリズム)による最適化ループに風洞試験を組込
風洞評価値による全自動最適化
50
適用例3:風洞試験計画支援
半円柱に取り付けたPMW駆動PAにおいて, (T1, T2)を設計変数として,抵抗最小化問題を設定
総当り実験では約1000回以上の試験が必要
51
52適用例3:風洞試験計画支援
モジュレーション周波数:
デューティ比: [%]
1
mod
1
Tf
1
2100T
TDcycle
交流電圧の周波数fpに対して5%周期の波形をxm
回生成する機器を用いることから,fmodは次のように書ける.
m
p
x
ff
20mod [Hz]
[Hz]
→
目的関数
設計変数
Minimize CD (Drag coefficient)
2 .0 ≤ xm ≤ 90.0
10.0 ≤ Dcycle ≤ 70.0
53適用例3:風洞試験計画支援
54適用例3:風洞試験計画支援
55適用例3:風洞試験計画支援
56適用例3:風洞試験計画支援
57適用例3:風洞試験計画支援
58適用例3:風洞試験計画支援
59適用例3:風洞試験計画支援
60適用例3:風洞試験計画支援
61適用例3:風洞試験計画支援
62適用例3:風洞試験計画支援
63適用例3:風洞試験計画支援
64適用例3:風洞試験計画支援
65適用例3:風洞試験計画支援
66適用例3:風洞試験計画支援
本システムでは20回最適値に!
67適用例3:風洞試験計画支援
まとめと所感,今後の展望
最適化とは実問題を数学的に解くと言う事で良いでしょう 多数の手法が存在
設計者の思想・観察眼が大切 → 如何に適切で面白い問題を解くか
実問題の解法 現実問題の多くは多目的,進化計算法は有用
コストを抑えるための近似関数法の導入も時には必要
流体機械設計問題に適用するために 目的を明らかにして,制約・評価法を選択
適用例を通じて 問題設定が出来れば一応答えが出る. → 欲しい答えか?要観察.
実は問題設定の部分に一番苦戦します.
最適化法を用いた設計について御話しました.
御清聴頂き有難う御座いました.