@article { author = {Shahdad, Mohammad Hossein and Adami, Mahmoud and Mostofizadeh, Ali Reza}, title = {Multi-objective 3d optimization of film cooling configurations in a high pressure vane based on genetic algorithm -artificial neural network}, journal = {Aerospace Knowledge and Technology Journal}, volume = {6}, number = {شماره 3 (ویژه نامه)}, pages = {117-128}, year = {2017}, publisher = {Malek ashtar University of Technology}, issn = {2322-1070}, eissn = {2645-3622}, doi = {}, abstract = {In this paper, the optimum parameters of a row of cylindrical film cooling holes has been investigated using a multi-objective evolutionary approach so as to achieve a compromise between film cooling effectiveness and coolant massflow rate which are in opposite directions and compete with each other. For this purpose, chordwise position of film holes, as well as diameter and injection angles were chosen as design parameters. Thirty samples were generated as database through CFD runs and artificial neural network (ANN) method was used to construct the surrogate model to approximate the optimization targets as functions of design parameters and genetic algorithm (GA) was used as optimizer. Design iterations were repeated 6 times and optimum configuration resulted in objective function values was found.}, keywords = {Multi-objective optimization,Genetic algorithm (GA),artificial neural network (ANN),Film cooling,turbine blade,conjugate heat transfer (CHT),Computational Fluid Dynamics (CFD)}, title_fa = {بهینه‌سازی چندهدفة سه‌بعدی خنک‌کاری لایه ای در یک پرة توربین فشاربالا با استفاده از الگوریتم ژنتیک - شبکة عصبی مصنوعی}, abstract_fa = {در این مقاله بهینه سازی چندهدفة خنک‌کاری لایه‌ای یک ردیف از سوراخ‌های خنک‌کاری پرة توربین یک موتور خاص به‌صورت سه‌بعدی بررسی شده است. هدف این مقاله مقایسة کارایی خنک­کاری لایه­ای و نرخ جریان جرمی خنک­کاری است که این دو تابع هدف از نظر نقطه اثر عکس هم می­باشند. برای این منظور رقابت بین این دو مورد بررسی شده و موقعیت سوراخ­های خنک­کاری در جهت وتر، به‌همراه قطر و زاویة تزریق به‌عنوان پارامترهای طراحی انتخاب شده‌اند. سپس 30 نمونه به‌عنوان دادة اولیه از تحلیل دینامیک سیالات محاسباتی ایجاد و از روش شبکه عصبی مصنوعی برای ایجاد مدل جایگزین به‌منظور تقریب تابع بهینه‌سازی پارامترهای طراحی و از الگوریتم ژنتیک برای بهنیه‌سازی مدل استفاده شده است. الگوی طراحی در الگوریتم ژنتیک، شش مرتبه به تناوب تکرار شده و مدل بهینه برای تابع هدف به‌دست آمده است. در نهایت موقعیت بهینة سوراخ‌های خنک­کاری نزدیک LE با قطر و زاویة تزریق به‌ترتیب 0/447 و 73/575 به‌دست آمد. مقایسة نتایج CHT هندسة پرة بهینه‌شده با هندسة اولیه نتایج بهینه‌سازی را تأیید می‌کند و نشان می‌دهد که به کاهش چشمگیر توزیع دمایی روی ایرفویل منجر شده است.}, keywords_fa = {بهینه‌سازی چندهدفه,الگوریتم ژنتیک,شبکة عصبی مصنوعی,خنک‌کاری لایه‌ای,پرة توربین گاز,حل ترکیبی,دینامیک سیالات محاسباتی}, url = {https://www.astjournal.ir/article_30846.html}, eprint = {https://www.astjournal.ir/article_30846_891bc63ffb508f8b43c4a87ae2195476.pdf} }