Mission-Based Multidisciplinary Design Optimization Methodologies for Unmanned Aerial Vehicles ...

288 Pages·2017·18.49 MB·English

UNIVERSIDADE DA BEIRA INTERIOR
Engenharia
Mission-Based Multidisciplinary Design
Optimization Methodologies for Unmanned Aerial
Vehicles with Morphing Technologies
Pedro Filipe Godinho Lopes Fernandes de Albuquerque
Tese para obtenção do Grau de Doutor em
Engenharia Aeronáutica
(3º ciclo de estudos)
Orientador: Prof. Doutor Pedro Vieira Gamboa
Co-orientador: Prof. Doutor Miguel Ângelo Silvestre
Covilhã, Setembro de 2017
ii
À minha querida Mãe.
iii
iv
Abstract
One of the most challenging aspects of aircraft design is to synthesize the mutual inter-
actionsamongdisciplinesinordertoachieveenhanceddesignsolutionsfromtheearlieststages
of the design process. The complexity of the aircraft physics and the multiple couplings be-
tweendisciplinescomplicatesthistask. Theadvanceofdesigntoolsandoptimizationmethods
alongsidewiththecomputer’sexponentialincreaseindatahandlingcapacityispavingtheway
forthedevelopmentofcomprehensivemultidisciplinarydesigncodesthatgraduallycontribute
toaparadigm change,leadingtoa revolutioninthedesign methodologies.
Theresearchworkpresentedinthisthesisfeaturestwounmannedaerialvehiclesprelim-
inary design optimization methodologies - a Parametric Design Analysis and a Multilevel Design
Optimization. Aspecificcodehasbeendevelopedforeachmethodology,withlow-fidelitymod-
els being used for the main design disciplines, namely the aerodynamics, propulsion, weight,
static stability and dynamic stability. To increase the usability of the codes a graphical user
interfaceforboth programshasalsobeen developed.
The first methodology is called Parametric AiRcRaft design OpTimization (PARROT) and
relies on a parametric study that optimizes the wing layout for one of two different goals:
surveillance mission or maximum payload. Whereas in the former the goal is to maximize the
flight range or endurance, the latter’s objective is to maximize the useful payload lifted. Con-
straints include the take-off distance, climb rate, bank angle, cruise velocity, among others.
The results have shown to be in line with some experimental benchmarking data and to allow
the user to easily evaluate the impact of varying two key design variables (wing mean chord
and wingspan) on multiple performance metrics, thus significantly contributing to help the de-
signer’sdecision-makingprocess.
ThesecondmethodologyiscalledMulTidisciplinarydesignOPtimization(MTOP)andadopts
the Enhanced Collaborative Optimization (ECO) architecture, together with a gradient-based
optimization algorithm. As the goal is to minimize the energy consumption for the specified
missionprofile,itresultsinanunconstrainedsystemproblemwhichaimstoassurecompatibil-
ity between subspaces and dully constrained subspace level problems, which aims to minimize
the energy consumption. Instead of each subspace representing the traditional design disci-
plines(e.g. aerodynamics,structures,stability,etc),theauthorhaschosentomakeadifferent
subspace out of each flight stage (e.g. take-off, climb, cruise, etc). The main reason for this
choice was the inclusion of morphing technologies as part of the optimization process, namely
a variable span wing (VSW), a variable camber flap (VCF) and a variable propeller pitch (VPP).
Thesoftwarefinaloutputisthecombinationofdesignvariablesthatbettersuitstheobjective
function subjected to the design constraints. The results have shown how the selection of the
optimumcombinationofmorphing/adaptivetechnologieshighlydependsonthemissionprofile.
Moreover, the morphing mechanisms weight has a strong impact on the overall performance,
whichisnoteasilygraspedwithoutanoptimizationmethodologyliketheonepresented.
Globally,thesetwomethodologiesfosteramoreefficientandeffectivepreliminarydesign
stagebyfeedingthedesigner’sdecision-makingprocesswithalargesetofrelevantdata.
v
Keywords
Multidisciplinary,Multilevel,Parametric,Design,Optimization,Morphing,
UnmannedAerial Vehicle,Mission-based
vi
Resumo
Um dos aspetos mais desafiantes do projeto de aeronaves é a gestão das múltiplas in-
terações entre disciplinas, com vista à obtenção de soluções de projeto otimizadas desde os
primeirosestágiosdoprojetodeaeronaves. Acomplexidadedafísicaaeronáuticaeosmúltiplos
acoplamentos entre disciplinas complicam esta tarefa. Com o desenvolvimento de ferramen-
tas de projeto e metodologias de otimização aliadas ao aumento exponencial da capacidade
de processamento dos computadores e o desenvolvimento de abrangentes códigos de otimiza-
ção multidisciplinar estão a contribuir para uma mudança de paradigma, que se espera vir a
revolucionarosatuais processosdeprojetoaeronáutico.
Estainvestigaçãoincluiduasmetodologiasdeotimizaçãodeprojetopreliminardeveículos
aéreos não-tripulados - uma otimização paramétrica e uma otimização multinível. Foi desen-
volvido um código para cada metodologia, tendo sido utilizados modelos de baixa-fidelidade
para as várias disciplinas de projeto, nomeadamente aerodinâmica, propulsão, peso, estabili-
dadeestáticaedinâmica. Paraaumentarolequedeutilizadores,foidesenvolvidouminterface
gráficoparaambos osprogramas.
Aprimeirametodologiadenomina-seParametricAiRcRaftdesignOpTimization(PARROT)
esegueumaabordagemparamétricaqueotimizaageometriadaasaparaumdedoisobjetivos:
missão de vigilância ou máximo peso. Enquanto na primeira o objetivo passa por otimizar o
alcance ou autonomia, na segunda o foco passa por maximizar o peso útil sustentado. Con-
strangimentos incluem a distância de descolagem, a velocidade de subida, o ângulo de pran-
chamento, a velocidade cruzeiro, entre outros. Os resultados mostraram estar em linha com
resultadosexperimentaisdereferênciaeaindapermitiraoutilizadoravaliaroimpactodavari-
ação de duas variáveis-chave (corda média aerodinâmica e envergadura) em diversas métricas
dedesempenho,destaformacontribuindosignificativamenteparaauxiliaroprocessodecisório
doengenheirode projeto.
A segunda metodologia chama-se MulTidisciplinary design OPtimization (MTOP) e adota
a arquitetura Enhanced Collaborative Optimization (ECO), juntamente com um algoritmo de
otimização do tipo gradiente. Uma vez que o objetivo passa por minimizar a energia con-
sumida para um perfil de missão específico, cinge-se a um problema de otimização não con-
strangidoaoníveldosistema,asoluçãodoqualvisaacompatibilidadeentresubespaços,eum
problemadevidamenteconstrangidocomoobjetivodeminimizaraenergiaconsumidaaonível
dos subespaços. Ao invés de cada subespaço representar as disciplinas tradicionais de projeto
(e.g. aerodinâmica,estruturas,estabilidade,etc),oautordecidiucriarumsubespaçodiferente
para cada estágio da missão (e.g. descolagem, subida, cruzeiro, etc). A principal razão para
estaescolhafoiainclusãodemetodologiasadaptativascomopartedoprocessodeotimização,
nomeadamente uma asa de envergadura variável (VSW), um perfil alar com curvatura variável
atravésdeumflap(VCF)eumhélicedepassovariável(VPP).Oresultadofinaléacombinação
devariáveisquemelhorseadequaàfunçãoobjetivo,sujeitosaosconstrangimentosdeprojeto.
Osresultadosmostraramqueaseleçãodacombinaçãodetecnologiasadaptativasadequadaestá
altamente dependente do tipo de missão. Além disso, o peso das tecnologias adaptativas tem
um elevado impacto que não é facilmente percecionado sem uma metodologia de otimização
comoaque éapresentada.
Globalmente, estas duas metodologias contribuem para um projeto preliminar mais efi-
vii
caz e eficiente, alimentando a tomada de decisão do projetista com muita informação rele-
vante.
Palavras-chave
Multidisciplinar,Multinível, Paramétrico,Projeto,Optimização,Tecnologiasadaptativas,
VeículoAéreoNão-tripulado,Missão
viii
Contents
Abstract v
Resumo vii
ListofFigures xv
ListofTables xvii
Acknowledgements xix
1 Introduction 1
1.1 Backgroundand Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 GreaterResearchProject . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 AircraftDesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 ConceptualDesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 PreliminaryDesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 DetailedDesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.4 DesignOptimizationPrograms . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4.1 WorkScope . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 ThesisStructure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 State-of-the-artReview 9
2.1 MultidisciplinaryDesign Optimization . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 IntroductiontoNumerical OptimizationConcepts . . . . . . . . . . . . . 10
2.1.2 MonolithicOptimizationArchitectures . . . . . . . . . . . . . . . . . . . 11
2.1.2.1 Simultaneous AnalysisandDesign(SAND) . . . . . . . . . . . . . 12
2.1.2.2 Individual DesignFeasible(IDF) . . . . . . . . . . . . . . . . . . 13
2.1.2.3 Multidisciplinary Feasible(MDF) . . . . . . . . . . . . . . . . . 13
2.1.3 DistributedOptimizationArchitectures . . . . . . . . . . . . . . . . . . 14
2.1.3.1 Concurrent SubspaceOptimization(CSSO) . . . . . . . . . . . . 14
2.1.3.2 Analytical TargetingCascading (ATC) . . . . . . . . . . . . . . . 15
2.1.3.3 Collaborative Optimization(CO) . . . . . . . . . . . . . . . . . 16
2.1.3.4 Enhanced CollaborativeOptimization(ECO) . . . . . . . . . . . 17
2.1.3.5 Bi-level IntegratedSystemSynthesis(BLISS) . . . . . . . . . . . 18
2.1.3.6 Bi-level IntegratedSystemSynthesis-2000(BLISS-2000) . . . . . 18
2.1.3.7 Exact andInexactPenaltyDecomposition(EPDandIPD) . . . . . 19
2.1.3.8 MDO ofIndependentSubspaces(MDOIS) . . . . . . . . . . . . . 20
2.1.3.9 Quasiseparable Decomposition(QSD) . . . . . . . . . . . . . . . 21
2.1.3.10 AsymmetricSubspace Optimization(ASO) . . . . . . . . . . . . 21
2.1.4 Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 OptimizationAlgorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Gradient-BasedAlgorithms . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.2 HeuristicMethods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
ix
2.3 Morphing Technologies. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1 Airfoil Morphing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3.2 Planform Morphing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3.3 Out-of-plane Morphing . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.4 PropulsionMorphing . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.5 Combinations ofMorphing . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 AnalysisModels 33
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 ProgrammingLanguages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Disciplinary Analyses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Aerodynamics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1.1 2DAerodynamicCoefficients . . . . . . . . . . . . . . . . . . . 35
3.3.1.2 3DAerodynamicCoefficients . . . . . . . . . . . . . . . . . . . 36
3.3.2 Propulsion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3.2.1 ElectricMotor . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3.2.2 CombustionEngine . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3.2.3 PropellerModel . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.3.3 Weight . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.3.1 StructuralWeight . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.3.2 EnergyWeight . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.4 Static Stability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.4.1 LongitudinalStaticStability . . . . . . . . . . . . . . . . . . . 54
3.3.4.2 LateralandDirectional StaticStability . . . . . . . . . . . . . . 57
3.3.5 Dynamic Stability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4 Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4.1 Take-off . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4.2 Flight Stages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.2.1 ClimbandDescent . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.2.2 LeveledFlight- CruiseandLoiter . . . . . . . . . . . . . . . . 72
3.4.3 Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3.5 Chapter Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4 ParametricDesign Study 77
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.2.1 Maximum Range/EnduranceMission . . . . . . . . . . . . . . . . . . . . 80
4.2.2 Maximum Payload . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.3 Graphical UserInterface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4 Case Studies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.4.1 Air CargoChallenge2015 . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.4.1.1 DesignSpecifications . . . . . . . . . . . . . . . . . . . . . . . 87
4.4.1.2 Resultsand Discussion . . . . . . . . . . . . . . . . . . . . . . 90
4.4.2 Maximum Range/EnduranceMission . . . . . . . . . . . . . . . . . . . . 94
4.4.2.1 DesignSpecifications . . . . . . . . . . . . . . . . . . . . . . . 95
4.4.2.2 Resultsand Discussion . . . . . . . . . . . . . . . . . . . . . . 98
4.5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
x