fa طراحی گرین فینوسیل بر اساس متامدلهای شبکه عصبی مصنوعی طراحي گرين طراحي گرين پژوهشي Research <em><span dir="RTL">طراحی </span></em><em><span dir="RTL">گرین مهمترین بخش طراحی موتور سوخت جامد می‌باشد، در این مقاله هدف به کارگیری متامدل شبکه عصبی در طراحی گرین فینوسیل بر اساس توابع هدف از پیش تعیین شده با توجه به نمودارهای تراست- زمان یا فشار-زمان می‌باشد </span></em><em><span dir="RTL">تا انواع الزامات تراست عملکردی را از طریق یک روش طراحی نوآورانه </span></em><em><span dir="RTL">با بهره گیری از الگوریتم بهینه سازی ژنتیک، </span></em><em><span dir="RTL">ارضا نماید</span></em> <em><span dir="RTL">.</span></em> <em><span dir="RTL">به منظور نمونه ‌برداری در فضای طراحی از روش نمونه برداری کلاسیک استفاده شده است. برای شبیه سازی پسروی سطح سوزش گرین سوخت روش سطوح همتراز انتخاب شده است. به منظور تحلیل بالستیک داخلی، از روش صفر بعدی استفاده شده است. روش متامدل به کار گرفته شده بر اساس روشهای شبکه عصبی مصنوعی از قبیل پرسپترون چند لایه، تابع پایه شعاعی به عنوان جایگزین روش سطوح همتراز در حلقه طراحی بهینه استفاده می‌گردد. در انتهای این کار به منظور اعتبارسنجی &nbsp;الگوریتم ارائه شده یک نمونه گرین فینوسیل با انواع روشهای ذکر شده مورد بررسی قرار گرفته است و نتایج حاصله نشان می‌دهد که این روش طراحی گرین، زمان طراحی را به طور قابل توجهی کاهش می‌دهد و این الگوریتم می‌تواند در طراحی هر نوع گرینی مورد استفاده قرار گیرد</span></em><em><span dir="RTL">.</span></em> <em>Grain design is the most important part of solid rocket motor design. In this paper the goal is Finocyl grain design based on predetermined objective function with respect to Thrust history or Pressure history in order to satisfy various thrust performance requirements through an innovative design approach using Genetic algorithm optimization method. The classical sampling method is used for design space filling. The level set method is used for simulating the evolution of burning surface in the propellant grain. An algorithm is developed beside the level set code that prepares the initial grain configuration using Pro/Engineer to export generated models to level set code. The lumped method is used to perform internal ballistic analysis. The meta-model is used to surrogate the level set method in optimization design loop. The surrogate method is based on artificial neural network based on Multi Layer Perceptron and Radial Basis Function. Finally, a case study is done to verify the proposed algorithm. Observed results show that grain design method reduced the design time significantly and this algorithm can be used to design of any grain configuration.</em> طراحی گرین, موتور سوخت جامد, متامدل, مدل جایگزین, سطوح همتراز Grain design, Solid rocket motor, meta-model, Surrogate model, Level set 129 139 http://isaem.ir/browse.php?a_code=A-10-1622-1&slc_lang=fa&sid=1 Saeed Mesgary سعید مسگری saeedmes58@gmail.com 100319475328460011371 100319475328460011371 No Mehrdad Bazazzadeh مهرداد بزاز زاده Bazazzadeh@mut-es.ac.ir 100319475328460011372 100319475328460011372 Yes Alireza Mostofizadeh علیرضا مستوفی زاده armostofizadeh@mut-es.ac.ir 100319475328460011373 100319475328460011373 No