Optimización de la forma del ala

La optimización de la forma de las alas es una implementación de software que se utiliza principalmente para el diseño de aeronaves. Esto permite a los ingenieros crear diseños de aeronaves más eficientes y económicos.

La optimización de formas, como proceso y herramienta de software, apareció por primera vez como algoritmo en 1995 y como software comercial para la industria automotriz en 1998, como señaló F. Muyl. ^{[ 1 ]} En relación con la antigüedad de las empresas automotrices y aeronáuticas, este software es muy reciente. La dificultad no radicaba en la ciencia detrás del proceso, sino en las capacidades del hardware informático . En 1998, F. Muyl desarrolló un compromiso entre la precisión exacta y el tiempo de cálculo para reducir la resistencia aerodinámica de un automóvil. Las fases GA son las iteraciones estándar del algoritmo genético y las fases BFGS son los cálculos aproximados diseñados para ahorrar tiempo. Sin embargo, reconoció que el tiempo de cálculo requerido en el hardware existente, casi dos semanas para una mejora moderada en un modelo de prueba de concepto demasiado simplificado , lo hacía poco atractivo para fines comerciales. También reconoció que mejorar la implementación del modelado para usar derivadas parciales automáticas podría mejorar el tiempo de cálculo, particularmente con hardware especializado. En 2000, después de un par de años de desarrollo de hardware informático, K. Maute ^{[ 2 ]} introdujo un sistema más preciso que podía optimizar el ala de un avión con la suficiente rapidez para su uso comercial.

La optimización de la forma del ala es, por naturaleza, un proceso iterativo . Primero, se elige un diseño de ala de referencia para comenzar el proceso; generalmente, este es el ala creada por ingenieros aeroespaciales . Se supone que esta ala se aproxima razonablemente al diseño óptimo propuesto por los ingenieros. El siguiente paso es modelar la forma y la estructura del ala. Una vez definidas, el software simula el vuelo del modelo en un túnel de viento utilizando ecuaciones de dinámica de fluidos computacional (CFD) bien desarrolladas. Los resultados de la prueba proporcionan las diversas características de rendimiento de ese diseño. Una vez completado esto, el software realiza cambios incrementales en la estructura y los detalles de la forma, recrea el modelo y lo prueba en un túnel de viento . Si los cambios resultan en un ala con mejor rendimiento, el software los aplica. De lo contrario, se descartan y se realizan otros cambios. Los cambios se guardan como el nuevo modelo de trabajo y el ciclo se repite. Todo este proceso se ejecuta hasta que los cambios observados parecen converger en un diseño  , por ejemplo, cuando los cambios son inferiores a 1  mm. ^{[ 3 ]}

Lamentablemente, el diseño del ala resultante solo puede ser tan bueno como el modelo computacional.

Sin embargo, todos estos métodos tienen una debilidad: están optimizados para un conjunto particular de condiciones y velocidad. En 2007, Jameson introdujo un paso adicional y un nuevo método de cálculo. ^{[ 3 ]} Para tener en cuenta condiciones adicionales, como el despegue, el aterrizaje, el ascenso y el crucero, el modelador calcula todas estas simultáneamente, en lugar de solo una a la vez. A cada cálculo de gradiente g se le asigna un peso β. Los elementos de mayor prioridad, como la resistencia de crucero, reciben mayor peso. El gradiente para determinar una "pérdida" o una "ganancia" general para el diseño se crea sumando todos los gradientes por cada peso respectivo. Esto permite que si un cambio mejora drásticamente el rendimiento de despegue pero resulta en una ligera disminución del rendimiento de crucero, la disminución del crucero puede anular la ganancia de despegue debido a la ponderación. Configurar la simulación de esta manera puede mejorar significativamente los diseños producidos por el software. Esta versión del modelador, sin embargo, añade otra complejidad a las condiciones iniciales, y un pequeño error por parte del diseñador puede tener un efecto significativamente mayor en el diseño resultante. La mejora en la eficiencia del cálculo aprovecha las múltiples variables. En esta ocasión, se utilizaron dos puntos diferentes para el Boeing 747-200 : Mach 0,85 y 0,87. Desafortunadamente, la optimización para estos dos puntos resultó en una mejora inferior al 3 % en la resistencia aerodinámica y prácticamente ninguna mejora en el peso con respecto al diseño base. Para comprobar su trabajo, utilizó la misma simulación en el ala de otro avión y obtuvo resultados similares. El problema observado es que los cambios que potenciaban un punto de interés entraban en conflicto directo con el otro, y el compromiso resultante limita considerablemente la mejora obtenida. Su investigación actual se centra en una mejor manera de resolver las diferencias y lograr una mejora similar a la de las optimizaciones de un solo punto.