En uygun gövde sürükleme katsayısı hesabı için yeni bir öğrenme algoritması

Özet

Bu çalışmada gövde sürükleme katsayısının en uygun değerini hesaplamak için yapay zeki bir yöntem olan Yapay Sinir Ağları (YSA), hızlı bir yöntem olan Eşzamanlı Dağılım Rassal Yaklaşım (EDRY) algoritması içerisine yerleştirilerek yeni bir algoritma tasarlanmıştır. EDRY en iyi çözüme oldukça hızlı bir şekilde yakınsayabilmektedir. Ancak tek başına EDRY çözümü bulabilmek için problemin bir fonksiyonuna ihtiyaç duymaktadır. YSA ise problemin bir fonksiyonu olmaksızın da çözümü bulabilmektedir. Ancak YSA’nın iyi eğitilebilmesi için belirli bir veri kümesine ihtiyaç vardır. Ayrıca problemin değişen her veri kümesi için en iyi sonucu veren uygun ağ yapısı ve parametreleri de değişebilmektedir. Bu nedenle YSA yalnız başına kullanılarak tek bir ağ yapısı ile her farklı veri kümesi için en iyi sonuca ulaşmak mümkün değildir. Bu çalışmanın temel amacı YSA’nın öğrenme kabiliyetinden faydalanarak EDRY’yi bir amaç fonksiyonu olmayan problemler için de kullanılabilir hale getirmektir. Bu amaçla, öncelikle daha önce rüzgâr tünelinde yapılmış deneysel çalışmalar neticesinde elde edilen gövde şekillerine göre gövde sürükleme katsayısının değişimi verileri ile YSA eğitilmiştir. Böylece YSA şekil değerlerine göre gövde sürükleme katsayısını kendisi tahmin edebilecek yeteneğe gelmiştir. YSA artık herhangi bir deneysel hesaplamaya ihtiyaç duymadan giriş değerlerine göre gövde sürükleme katsayısını tahmin edebilmektedir. Fakat burada YSA ile en uygun değer değil, her giriş değeri için bir çıkış değeri bulunmaktadır. EDRY’nin her adımda hesaplamaya ihtiyaç duyduğu maliyet fonksiyonu bu şekilde YSA, EDRY’ye gömülerek giderilmiştir. Yani burada tasarlanan yeni algoritma YSA’yı hangi durumlarda gövde sürükleme katsayısının ne olacağını bulmak için kullanırken EDRY’yi de en iyi katsayının oluşması için en uygun durumların ne olduğunu bulmak için kullanmaktadır. Bu şekilde eğitilen YSA, EDRY’ye gömülerek, gövde sürükleme katsayısını bir bağıntıya ihtiyaç olmaksızın hızlı ve doğru bir şekilde hesaplayan, başarılı ve yeni bir algoritma geliştirilmiştir.

Abstract

In this study, a novel algorithm to estimate the optimum value of the fuselage drag coefficient is designed by integratingthe artificial neural network (ANN) which is an artificial intelligent method into the algorithm of simultaneousperturbation stochastic approximation (SPSA) which is a fast method. SPSA converges to the optimum value forsolution very fast. However using SPSA alone requires a function of problem to estimate the optimum solution. Onthe other hand, ANN is able to estimate the solutions for the problem without need of its any objective function.However ANN needs a certain data set to be effectively trained. Also, the best ANN architecture which accomplishwith different data sets of problem may alter. Thus, ANN architecture alone is not adequate for estimating the bestresult for each different data set. The main target of this study is making SPSA able to be applicable for the problemthat has not any objective function by using training capability of ANN. For this purpose, initially, ANN is trained bythe data of fuselage drag coefficient obtained by previous experimental results conducted in wind tunnel and variesdepending on the geometry of fuselage. Thus, ANN becomes capable to estimate the fuselage drag coefficient for eachparameter values of the fuselage shape. Therefore, ANN estimates the fuselage drag coefficient with respect to inputswithout the requirement of any experimental computations. Note that ANN does not estimate the optimum value asoutput but estimates the output regarding to the inputs. The ANN is integrated into the SPSA to fulfill the need of costfunction for SPSA. More clearly, the new algorithm evaluates ANN to estimate the fuselage drag coefficient withrespect to inputs while evaluates SPSA to estimate the optimum inputs for the optimum fuselage drag coefficient.Through integrating the trained ANN into the SPSA, an effective and novel algorithm estimates the fuselage dragcoefficient fast and accurately without defining an objective function is improved.