Académique Documents
Professionnel Documents
Culture Documents
Consultez les discussions, les statistiques et les profils des auteurs de cette publication sur : https://www.researchgate.net/publication/238521415
Conception d'un sousmarin jouet à l'aide d'un cadre d'optimisation de la conception de véhicules sousmarins
Articles · avril 2011
DOI : 10.1109/CIVTS.2011.5949527
CITATIONS LIT
9 1 527
3 auteurs :
Khairul Alam Raie Tapabrata
UNSW Sydney UNSW Sydney
11 PUBLICATIONS 257 CITATIONS 305 PUBLICATIONS 6 763 CITATIONS
VOIR LE PROFIL VOIR LE PROFIL
SG Anavatti
Académie australienne des forces de défense
288 PUBLICATIONS 3 292 CITATIONS
VOIR LE PROFIL
Certains des auteurs de cette publication travaillent également sur ces projets connexes :
Nouvelles stratégies de gestion des contraintes pour les problèmes d'optimisation coûteux en temps de calcul Afficher le projet
Beaucoup d'objectifs Coûteux en termes de calcul Optimisation contrainte Voir le projet
Tout le contenu suivant cette page a été téléchargé par SG Anavatti le 01 septembre 2014.
L'utilisateur a demandé l'amélioration du fichier téléchargé.
Machine Translated by Google
Conception d'un sousmarin jouet utilisant l'eau sousmarine
Cadre d'optimisation de la conception des véhicules
Khairul Alam, Tapabrata Ray et Sreenatha G. Anavatti School
of Engineering and Information Technology University of
New South Wales Australian Defence Force
Academy UNSW@ADFA, Canberra, ACT 2600,
Australie Téléphone : +61 2 6268 8479, Fax : +61 2
6268 8276 Courriel : khairul.alam@student.adfa.edu.au,
t.ray@adfa.edu.au, s.anavatti@adfa.edu.au
Résumé—Cet article présente un cadre pour la conception en glissant en profondeur et en utilisant la flottabilité pour remonter à la
optimale d'un petit sousmarin jouet léger à faible coût à des fins surface), les véhicules télécommandés (ROV), les véhicules de surface
récréatives. Deux algorithmes d'optimisation de pointe, à savoir
autonomes (ASV) et les véhicules sousmarins autonomes (AUV).
l'algorithme génétique de tri non dominé (NSGAII) et l'algorithme
évolutif basé sur l'infaisabilité (IDEA), ont été utilisés dans cette En particulier, les UUV ont été promus comme une option et un outil de premier
étude pour optimiser la conception du sousmarin jouet. La plan dans les programmes d'exploration et d'exploitation océanographiques.
formulation objective unique du problème de conception du sous
marin jouet est considérée dans cet article pour identifier les Traditionnellement, le processus de conception UUV a été en grande partie
conceptions avec une traînée minimale et un assemblage sans
«ad hoc» avec des conceptions régies par l'expérience et des règles empiriques
collision interne. La flexibilité du cadre proposé et sa capacité à
identifier les conceptions préliminaires optimales d'un sousmarin [3]. L'application de méthodes d'optimisation formelles à la minimisation de la
jouet sont démontrées. La conception identifiée par le processus traînée ou à l'évaluation de la conception optimale des UUV n'a jusqu'à présent
d'optimisation est comparée à un sousmarin jouet existant pour pas retenu l'attention des chercheurs [4]. Il est important de souligner que
mettre en évidence les avantages offerts par l'approche actuelle. l'utilisation d'outils d'optimisation efficaces conduit à une meilleure qualité du
produit et à une fonctionnalité améliorée [5].
NOMENCLATURE
Ces dernières années, certains travaux se sont penchés sur le problème
D Faites glisser
d de trouver la forme de coque optimale pour les UUV, notamment les travaux de
Diamètre maximal du corps dt
Plus petit diamètre de la queue l [3], [6]–[8] pour minimiser la traînée. Une petite amélioration de la traînée peut
entraîner une économie substantielle de la poussée requise.
Longueur hors tout
Cependant, beaucoup de travail reste à faire en termes d'optimisation de la
lm Longueur du corps médian parallèle ln
conception de la forme de la coque pour minimiser la traînée et augmenter
Longueur du nez lt
l'efficacité de la propulsion [9].
Longueur de la queue
Bien qu'un certain nombre de travaux actuels aient été consacrés à la
LA1 Longueur du premier bras de levier
recherche de la forme de coque optimale pour les UUV, une attention limitée a
LA2 Longueur du deuxième bras de levier
été accordée au placement optimal "sans collision" des composants internes et
nn Coefficient de variation de forme du nez
des facteurs affectant la contrôlabilité, c'estàdire le centre de gravité (CG) et
NT Coefficient de variation de forme de la queue
s effets du centre de flottabilité (CB).
Distance longitudinale entre CB et CG
Cet article présente un cadre pour l'optimisation de la conception d'un sous
ZB Coordonnée Z de l'unité de batterie
marin jouet qui représente une classe de véhicules sousmarins en forme de
ZC Coordonnée Z du contrôleur
torpille en considérant simultanément à la fois la disposition interne sans
ZL Coordonnée Z de l'unité d'hélice pour le mouvement latéral
collision des composants embarqués et la taille et la forme externes pour des
ZV Coordonnée Z de l'hélice pour le déplacement vertical
ment exigences de conception données. L'objectif est de trouver une forme de coque
appropriée pour minimiser la traînée et un placement optimal sans collision des
I. INTRODUCTION objets internes pour une séparation optimale CG/CB assurant ainsi une meilleure
contrôlabilité d'un véhicule se déplaçant immergé près de la surface libre tout
Les véhicules sousmarins sans pilote (UUV) ont reçu une attention mondiale en respectant les contraintes de conception.
et ont été largement utilisés dans l'exploration des océans, les applications
militaires et industrielles [1], [2]. Le large éventail d'applications a abouti au L'organisation de ce journal est la suivante. La section II fournit un cadre
développement de centaines d'UUV avec une variété de formes, de tailles, de pour l'optimisation de la conception du sousmarin jouet. Par la suite, les détails
limites de profondeur de travail, de sources d'énergie, de moyens de propulsion de l'expérience numérique sont décrits dans la section III. Les résultats
et de moyens de contrôle. numériques sont présentés dans la section IV. Enfin, des conclusions sont tirées
Ces véhicules comprennent les planeurs (véhicules sousmarins non propulsés dans
9781424499762/11/$26.00 ©2011 IEEE
Machine Translated by Google
Section V. 1) Géométrie de la coque et sélection des matériaux : la taille de la
coque du sousmarin jouet est limitée par l'espace pour les instruments de
II. CADRE D'OPTIMISATION
bord qui doivent être transportés, et la forme de la coque est limitée par les
Ce travail présente un cadre d'optimisation pour la conception d'un sous caractéristiques hydrodynamiques pour minimiser la traînée. Un corps de
marin jouet avec considération de traînée minimale. Le cadre intègre des révolution axisymétrique se déplaçant immergé près de la surface libre est
modules de géométrie et de configuration, un module d'hydrodynamique, considéré dans cette étude.
plusieurs méthodes d'estimation des performances et des caractéristiques L'illustration de la paramétrisation de la géométrie de la coque est illustrée
maritimes acceptées et une suite d'algorithmes d'optimisation. La figure 1 à la Fig. 2, où l'on voit que le corps comprend une section de nez de
montre l'organigramme du cadre d'optimisation. Le cadre facilite la longueur variable ln, une section médiane de longueur variable lm et une
communication des données d'une application à l'autre, produisant un section de queue de longueur variable lt, ce qui rend jusqu'à la longueur
environnement de conception multidisciplinaire automatisé. totale du corps de l unités.
Fig. 2 : Paramétrage de la géométrie de coque
Le rayon du nez découle de l'équation. (1),
1
nn nn
ln − xn
rn = 1 j 1 − 2 (1)
ln
où d est le diamètre maximal du corps en m, qui peut être modifié, et nn est
le coefficient de variation de forme du nez qui peut également être modifié
pour donner différentes formes, comme illustré à la Fig. 3.
Fig. 1 : Organigramme détaillé du cadre d'optimisation
A. Modules de géométrie et de configuration
Le concept de conception de base du sousmarin jouet utilisé ici est basé Fig. 3 : Paramétrage de la géométrie du nez
sur le développement d'un petit véhicule léger qui peut être facilement lancé,
récupéré et utilisé sans aucun équipement de manutention spécial capable Pour la capacité de loger l'hélice arrière et la facilité de fabrication, un
de travailler à une profondeur de plongée en apnée. Les exigences de long cône de queue conique est utilisé dans cette étude. Cette forme suit
conception choisies dans cette étude sont : • La vitesse est de 0,5 m/s • Pas les lignes d'écoulement du fluide et comme la contraction se produit toujours
plus de 400 mm • Le poids total doit être inférieur ou égal à 450 g • Le à la sortie de la buse, la vitesse du fluide continue d'augmenter lorsqu'il
véhicule doit être propulsé par une hélice arrière et deux hélices chacune quitte la buse.
pour les déplacements verticaux et mouvements latéraux • Économique Les matériaux du véhicule type doivent avoir les propriétés suivantes :
• bonne résistance à la corrosion • haute résistance mais relativement léger
• facilité de fabrication : le véhicule peutil être fabriqué ?
Compte tenu des exigences de conception de base, la géométrie et les facilement avec le matériel choisi ? •
configurations du système pour le sousmarin jouet sont formulées comme bon marché • disponibilité
suit.
Machine Translated by Google
parties du sousmarin jouet pour une position optimale du CG. Le terme
sans collision est défini comme le placement des composants internes tels
que le contrôleur, les hélices et le compartiment de la batterie dans leurs
positions respectives sans aucun chevauchement ainsi qu'en gardant un
espacement approprié entre eux. Pratiquement, les composants considérés
ici sont de forme irrégulière. Cependant, pour la simplicité du mécanisme
sans collision, nous avons considéré les dimensions minimales de la boîte
englobante de ces composants dans cette étude.
Fig. 4 : Paramétrage de la géométrie de la queue
Une fois que les pièces internes sont placées dans un état sans collision,
le corps central parallèle est généré automatiquement couvrant l'arrangement
La conduite d'eau en chlorure de polyvinyle (PVC) pour ses propriétés interne, puis le nez, l'hélice arrière et le cône de queue sont attachés avec
intrinsèques convient le mieux à toutes les exigences cidessus et, par le milieu du corps, générant ainsi la forme entière du sousmarin jouet. Dans
conséquent, a été choisie pour cette étude. la présente étude, Matlab est utilisé pour la manipulation de la géométrie,
2) Système de propulsion : La propulsion du sousmarin jouet en question et l'interfaçage avec CATIA se fait à l'aide de macros VBScript pour la
est obtenue grâce à l'utilisation de trois unités d'hélices, dont l'une est conception du véhicule dans ce cadre.
utilisée pour le mouvement vertical, c'estàdire pour déplacer le véhicule de
haut en bas. Une autre unité d'hélice est utilisée pour diriger le véhicule à
B. Module Hydrodynamique : Estimation de la traînée
gauche et à droite, et l'hélice restante est utilisée pour propulser le véhicule
La coque du véhicule de conception a été optimisée pour une traînée
vers l'avant et vers l'arrière dans l'eau, comme illustré à la Fig. 5.
minimale qui réduit éventuellement les besoins en puissance du véhicule
immergé [4]. Pour l'estimation de la traînée, la formule suivante a été utilisée :
1
ré = ρV 2CV S (2)
2
où ρ est la masse volumique du fluide en kg/m3, V est la vitesse en m/s, S
est la surface mouillée du véhicule en m2, et CV est le coefficient de
résistance visqueuse pour la coque nue lisse.
Trois méthodes Virginia Tech (VT) [3], MIT [13] et la méthode G&J [14]
sont utilisées dans cette étude pour mesurer le coefficient de résistance
Fig. 5 : Configuration du système de propulsion visqueuse (CV ) de trois manières différentes afin d'assurer l'uniformité dans
l'estimation de la traînée de la conception. véhicule.
Pour atteindre la vitesse de conception requise de 0,5 m/s, une
C. Modules d'optimisation
optimisation de l'ensemble du véhicule doit être effectuée pour réduire la
traînée au minimum tout en augmentant la poussée au maximum pour Dans ce cadre, deux algorithmes d'optimisation de pointe, NSGAII et
améliorer l'efficacité des hélices. Par conséquent, la position des unités IDEA sont utilisés. Les algorithmes sont écrits en Matlab et sont intégrés à
d'hélice pour les mouvements verticaux et latéraux, comme illustré sur la CATIA avec VBScript pour automatiser l'ensemble du processus de
figure 5, n'est pas fixe, mais est plutôt libre de se déplacer dans toute la conception.
section médiane. Au cours du processus d'optimisation, l'optimiseur choisit • NSGAII : Algorithme génétique de tri non dominé II (NSGAII) proposé
les positions optimales de ces unités d'hélices lors de la conception du par Deb et al. [15], est l'un des algorithmes d'optimisation basés sur
véhicule. la population les plus populaires qui a été utilisé avec succès dans un
3) Source d'alimentation : La plupart des véhicules sousmarins utilisés certain nombre d'applications réelles. Les principales étapes de NSGA
aujourd'hui sont alimentés par des batteries rechargeables à faible coût. II sont décrites dans l'algorithme 1. Il utilise le croisement binaire
Quelquesuns des plus gros véhicules sont alimentés par une pile à simulé (SBX) et la mutation polynomiale pour générer des descendants.
combustible à électrolyte polymère solide (PEFC) [10], une pile à combustible Les solutions individuelles dans une population sont classées en
aluminium/oxygène [11] et par l'énergie solaire [12] où l'endurance est un fonction de leur valeur de fitness. Les solutions réalisables sont
problème crucial. Cependant, ils nécessitent une maintenance importante considérées comme meilleures que les solutions irréalisables et sont
et des recharges coûteuses pour un déploiement continu. En raison de la classées plus haut. Les solutions réalisables et irréalisables sont
simplicité et de la disponibilité commerciale, les piles alcalines de taille AA classées séparément. Pour l'optimisation à objectif unique, les
avec une tension nominale de 1,5 V et une densité d'énergie de 140 Wh/kg solutions réalisables sont triées en fonction de la valeur de l'objectif,
ont été sélectionnées dans cette étude. Ces batteries sont attrayantes car tandis que pour l'optimisation à objectifs multiples, les solutions sont
elles sont bon marché, petites et généralement sûres. classées en fonction de la nondominance. • IDÉE : Les solutions aux
4) Mécanisme sans collision : Un point remarquable de ce travail est problèmes réels d'optimisation sous contraintes reposent souvent sur
d'appliquer un mécanisme « sans collision » tout en aménageant l'intérieur des limites de contraintes. En réalité,
Machine Translated by Google
Algorithme 1 Algorithme génétique de tri non dominé III. EXPÉRIENCE NUMÉRIQUE
II (NSGAII)
Exigez : NG > 1 {Nombre de générations} Dans cette section, la formulation du problème d'optimisation est
1 : Initialiser (P1) {Créer une population initiale de solutions} présentée. Sur la base des exigences de conception, le problème suivant a
2 : Évaluer (P1) été formulé.
3 : Rang (P1) {Attribuer des rangs à chaque solution} 4 :
pour i = 2 à NG faire Optimisation à objectif unique
5 : Ci = Evolve (Pi−1) {Créer des solutions enfants à partir des parents de Le problème d'optimisation à objectif unique est posé comme
la génération précédente} l'identification d'une forme de coque de véhicule avec une traînée minimale
6 : Évaluer Ci {Calculer les performances des solutions filles} ainsi qu'un placement optimal «sans collision» des objets internes soumis
aux contraintes sur les bras de levier et la séparation CG / CB.
7 : Rang (Pi−1 + Ci) {Attribuer des rangs à chaque solution} Les premier (LA1) et deuxième (LA2) bras de levier sont respectivement
8 : Pi = Réduire (Pi−1 +Ci) {Identifier les parents pour la prochaine les distances longitudinales des hélices au centre de flottabilité. La valeur
génération} 9 : fin pour plus élevée du bras de levier produit des moments de tangage et de virage
plus élevés qui conduisent à de meilleurs changements de plongée et de
cap. La séparation CG/CB est la distance longitudinale entre le centre de
gravité et le centre de flottabilité. Plus la valeur de s est faible, plus la
position du CG et du CB est proche, ce qui conduit à une meilleure stabilité
un concepteur est intéressé à examiner la solution qui pourrait être
du véhicule. La minimisation de la traînée est importante car une traînée
marginalement irréalisable. NSGAII et la plupart des autres
minimale entraîne une consommation d'énergie moindre pour la propulsion
algorithmes d'optimisation préfèrent intrinsèquement une solution
et des économies correspondantes sur les coûts d'exploitation. La fonction
réalisable à une solution irréalisable au cours de sa recherche.
objectif, les contraintes et les variables de conception sont répertoriées dans
Cependant, l'algorithme IDEA (Infeasibility Driven Evolutionary Algo
l'équation. (3).
rithm) introduit par Singh et al. [16], suggère que la préservation de
solutions marginalement irréalisables au cours de la recherche peut
accélérer le taux de convergence. Minimiser :
Étant donné que les solutions optimales de Pareto pour un problème f (1) = D
contraint reposent généralement sur une frontière de contrainte, IDEA
essaie de concentrer la recherche près des frontières de contrainte Contraintes :
en maintenant un ensemble de solutions irréalisables (en plus des g (1) = LA1 ≥ 45 mm ; g (2) = LA2 ≥ 90 mm g (3) = s ≤ 4 mm
solutions réalisables) près de la frontière de contrainte pendant la
(3)
recherche. Les principales étapes d'IDEA sont décrites dans
l'algorithme 2. IDEA classe les solutions irréalisables plus haut que Variables de
les solutions réalisables pour fournir une pression de sélection pour conception : 0 ≤ ZC ≤ 300 mm ; 0 ≤ ZV ≤ 300 mm 0
créer de meilleures solutions irréalisables résultant en une recherche ≤ ZB ≤ 300 mm ; 0 ≤ ZL ≤ 300 mm 35 ≤ dt ≤ 50 mm ;
active dans l'espace de recherche irréalisable. Les lecteurs intéressés 80 ≤ lt ≤ 150 mm 1,5 ≤ nn ≤ 3 ; 45 ≤ ln ≤ 100 mm
sont renvoyés à Ray et al. [17] pour une comparaison d'IDEA avec
d'autres algorithmes d'optimisation de pointe.
Le problème formulé cidessus est résolu en utilisant NSGAII et IDEA.
Algorithme 2 Algorithme évolutionnaire basé sur l'infaisabilité Plusieurs essais sont effectués en faisant varier les paramètres de probabilité
(IDÉE) de croisement, de probabilité de mutation, d'indice de distribution de
croisement et d'indice de distribution de mutation. Les valeurs des
Requiert : N {Taille de la population}
paramètres sont répertoriées dans le tableau I, et pour chaque combinaison
Exigez : NG > 1 {Nombre de générations}
de paramètres, les deux algorithmes sont exécutés avec deux graines
Requiert : 0 <α< 1 {Proportion de solutions irréalisables}
aléatoires différentes.
1 : Ninf = α N
2 : Nf = N − Ninf 3 :
pop1 = Initialiser() TABLEAU I : Paramètres utilisés pour NSGAII et IDEA Valeur
4 : Evaluate(pop1) 5 : Paramètre 0,9 0,1 10 20
for i = 2 to NG do 6 : Probabilité de croisement
Probabilité de mutation
childpopi−1 = Evolve(popi−1) Indice de distribution croisée
7 : Evaluer(childpopi−1) Indice de distribution des mutations
8 : (Sf , Class ) = Split(popi−1 + childpopi−1)
9 : Rang(Sf )
Une taille de population de 500 est développée pendant 300 générations,
10 : Rang(Classe )
ce qui donne 150 000 évaluations de fonction pour chaque exécution. Vingt
11 : popi = Classe (1, Ninf ) + Sf (1, Nf ) 12 : fin
exécutions indépendantes sont effectuées à l'aide de NSGAII et IDEA. Pour
pour
IDEA, un rapport d'infaisabilité (α) de 0,2 est utilisé.
Machine Translated by Google
0,22
IV. RÉSULTATS ET DISCUSSION NSGAII
IDÉE
A. Résultats d'optimisation à objectif unique 0,2
La figure 6 montre le résultat de la meilleure exécution pour le problème de
0,18
minimisation de la traînée à objectif unique en utilisant NSGAII et IDEA.
0,16
Glisser
(N)
0,16
0,14
NSGAII
IDÉE
0,15
0,12
0,14
0,1
0,13
0,08
Glisser
(N)
0,12 0 5 10 15
Évaluations de fonction 4
x10
0,11
Fig. 7 : Diagramme de progression de la conception médiane pour la minimisation
0,1 de la traînée d'objectif unique à l'aide de NSGAII et IDEA
0,09
0,08
0 5 10 15
Évaluations de fonction 4
x10
Fig. 6 : Diagramme de progression de la meilleure conception pour la minimisation
de la traînée d'objectif unique à l'aide de NSGAII et IDEA
Fig. 8 : Modèle CATIA du sousmarin jouet optimisé résultant
d'atteindre une valeur de traînée presque optimale dans environ 37 000
évaluations de fonction. Les statistiques des résultats calculés sur 20 exécutions
pour chaque algorithme sont présentées dans le tableau II. On voit que les
meilleures valeurs objectives, médianes et moyennes obtenues par IDEA sont
meilleures que NSGAII. De plus, l'écart type entre les multiples essais est bien
Unité de contrôle Compartiment à piles Unité d'hélice pour
inférieur à celui de NSGAII, ce qui indique qu'il est capable d'atteindre de
le mouvement longitudinal
meilleures valeurs objectives de manière plus cohérente. Cela se reflète
également dans les séries médianes, comme le montre la figure 7, où IDEA Fig. 9 : Configuration du sousmarin jouet optimisé résultant
semble converger plus rapidement que NSGAII.
TABLEAU II : Résultats de la minimisation de la traînée à objectif unique
Conception NSGAII IDEA Meilleur
Moyenne 0,084003
0,086081
0,082177
0,083828
Médiane 0,0859657 0,0841192
SD 0,000937534 Pire 0,087465 0,086806
0,000892474
Fig. 10 : Coupe longitudinale du sousmarin jouet optimisé résultant
B. Résultats de la conception optimale du sousmarin jouet
sousmarin a des hélices indépendantes pour lui permettre de monter, descendre,
Sur la base des résultats obtenus en effectuant l'optimisation de la traînée, tourner et avancer et reculer. La configuration des composants internes du sous
les Fig. 810 montrent la forme optimale et les configurations internes du sous marin jouet est illustrée à la Fig. 12. Les spécifications et les critères de
marin jouet optimisé. performance mesurés pour ce sousmarin jouet sont également répertoriés dans
Les critères de performance résultants du sousmarin jouet optimisé sont le tableau III.
énumérés dans le tableau III. Les valeurs des bras de levier et de la séparation On peut observer que les critères de performance du sousmarin jouet
CG/CB telles que rapportées dans le tableau III, indiquent clairement que les optimisé résultant sont proches des résultats mesurés pour le sousmarin jouet
contraintes de conception sont satisfaites tout en obtenant une traînée minimale. existant. De plus, la longueur du premier bras de levier du sousmarin jouet
optimisé est supérieure et la valeur de séparation CG/CB est également inférieure
Un exemple de sousmarin jouet existant similaire disponible sur le marché à celle du sousmarin jouet existant ; assurant ainsi une meilleure
est le sousmarin jouet USS Dallas RC. Ce modèle
Machine Translated by Google
système d'analyse/conception intégré efficace comprenant un package
mathématique haut de gamme (Matlab) et CAO (CATIA), le cadre est capable
de générer une géométrie optimisée du sousmarin jouet en fonction des
exigences de conception données. Une formulation d'optimisation contrainte
à objectif unique du problème de conception de sousmarin jouet est
considérée dans cet article et résolue à l'aide de deux algorithmes
d'optimisation de pointe NSGAII et IDEA. L'étude a démontré les avantages
de la préservation de solutions marginalement irréalisables dans IDEA, ce qui
représente une performance supérieure d'IDEA par rapport à NSGAII pour
Fig. 11 : Sousmarin jouet USS Dallas RC les problèmes d'optimisation contraints. Il est souligné que la modularité et la
structure axée sur le catalogue du cadre proposé permettent la conception de
Unité d'hélice pour Unité d'hélice pour
Nez mouvement vertical le mouvement latéral Queue
véhicules sousmarins de différentes tailles, propulsions et systèmes
d'alimentation.
Avec la conception optimale finale, des analyses de plus en plus raffinées
peuvent être effectuées à l'aide d'outils externes en tant que postprocessus.
L'intégration de l'outil de dynamique des fluides computationnelle (CFD) pour
une meilleure estimation de la traînée, et un module d'analyse qui pourrait
Unité de contrôle Compartiment à piles Unité d'hélice pour
aider à la dynamique du véhicule et à l'analyse de contrôle restent à effectuer
le mouvement longitudinal
dans les travaux futurs.
Fig. 12 : Configuration du sousmarin jouet USS Dallas RC
REMERCIEMENTS
Les auteurs tiennent à remercier le Dr Amitay Isaacs, M.
TABLE III : Critères de performance de l'USS Dallas existant
Hemant K. Singh et M. Ahmad F. Ayob pour leur soutien dans la programmation
RC et sousmarins jouets optimisés
des méthodes.
Détails du véhicule USS Dallas RC optimisé
Longueur du nez 45 mm 49 mm
210 mm 231 mm RÉFÉRENCES
Longueur du corps médian parallèle
Longueur de la queue 95 mm 80 mm
350 mm 360 mm [1] W. Wang, X. Chen, A. Marburg, J. Chase et C. Hann, « Un prototype de véhicule sous
Longueur totale
Diamètre maximal 60 mm 58 mm marin sans pilote à faible coût pour les tâches en eau peu profonde », dans Actes de la
5,8 39,6 6,2 38 mm conférence internationale IEEE/ASME sur Systèmes et applications mécatroniques et
Rapport longueur/diamètre
Dimension maximale de l'intérieur mm embarqués, MESA 2008, Pékin, Chine, 2008, pp. 204–209.
carré
Surface mouillée 0,082385 m2 0,082624 m2 0,000437 [2] K. Mohseni, "Générateurs de vortex pulsatiles pour les manœuvres à basse vitesse de
petits véhicules sousmarins", Ocean Engineering, vol. 33, p. 2209–2223, 2006.
Volume de déplacement m3 0,000433 m3 437 g 428
433 g 45
30
mgm
Masse de l'eau déplacée 48 mm 90 mm 90 mm 0,981462
0,982488
mm m
m
Masse totale du véhicule [3] MA Martz, "Conception préliminaire d'un véhicule sousmarin autonome utilisant un
0,210313 mm 0,210533
mm0
mm
m1m0
67,08
mm0
mm0. optimiseur génétique à objectifs multiples", Mémoire de maîtrise, Virginia Polytechnic
Longueur du premier bras de levier
Institute and State University, Blacksburg, Virginie, ÉtatsUnis, 27 mai 2008.
Longueur du deuxième bras de levier
Coordonnée X du CG
Coordonnée Y du CG [4] JS Parsons, RE Goodson et FR Goldschmied, "Formation de corps axisymétriques pour
Coordonnée Z du CG une traînée minimale dans un écoulement incompressible", J.
Coordonnée X de CB 0
Hydronautique, vol. 8, non. 3, p. 100–107 ,
Coordonnée Y de CB 0 [5] M. Diez et D. Peri, « Optimisation robuste pour la conception conceptuelle des navires »,
Coordonnée Z de CB Ingénierie océanique, vol. 37, p. 966–977, 2010.
[6] T. Lutz et S. Wagner, "Optimisation numérique de la forme des corps à flux laminaire
Distance longitudinale entre
CB et CG naturel", dans Actes du 21e Congrès ICAS, Melbourne, Australie, 1998.
Cet article présente un cadre d'optimisation pour la conception préliminaire [11] K. Vestgard, R. Hansen, B. Jalving et O. Pedersen, "The HUGIN 3000 survey AUV
design and field results", dans Actes de la onzième (2001) Conférence internationale
d'un sousmarin jouet léger, à petite échelle et à faible coût à des fins d'ingénierie offshore et polaire, Sta vanger , Norvège, vol. 4, 2001, p. 679–684.
récréatives. L'utilisation d'un
Machine Translated by Google
[12] J. Jalbert, J. Baker, J. Duchesney, P. Pietryka, W. Dalton, D. Blidberg, S. Transactions IEEE sur, vol. 6, p. 182–197, 2002.
Chappell, R. Nitzel et K. Holappa, « Un véhicule sousmarin autonome à [16] HK Singh, A. Isaacs, T. Ray et W. Smith, "Algorithme évolutif piloté par
énergie solaire », dans Oceans Conference Record (IEEE), vol. 2, 2003, p. l'infaisabilité (IDEA) pour l'optimisation de la conception technique", dans
1132–1140. 21st Australasian Joint Conference on Artificial Intelligence: Advances in
[13] H. Jackson, MIT Professional Summer Course Submarine Design Trends, Artificial Intelligence, Auckland, NouvelleZélande (2008), SpringerVerlag
1992. Berlin Heidelberg, no. LNAI 5360, 2008, p. 104–115.
[14] T. Gillmer et B. Johnson, Introduction à l'architecture navale, 2e éd. [17] T. Ray, HK Singh, A. Isaacs et W. Smith, Infeasibility Driven Evo utionary
US Naval Institute Press, 1982. Algorithm for Constrained Optimization, E. MezuraMontes, Ed. Gestion
[15] K. Deb, A. Pratap, S. Agarwal et T. Meyarivan, "Un algorithme génétique des contraintes dans l'optimisation évolutive, Studies in Computational
multiobjectif rapide et élitiste : NSGAII," Evolutionary Computation, Intelligence Series 198, 2009.
Afficher les statistiques de publication