Optimization of an international moth hydrofoil using surrogate-based global algorithms

Computational Fluid Dynamics (CFD) is becoming increasingly used for the first stages of airfoil and hydrofoil optimization. Optimization usually requires lots of function evaluations and, when the computational cost is high, it could result in an incredible long simulation time. To reduce the number of function evaluations needed, optimization strategies based on surrogate models can be used. In this work, a recent surrogate-based optimization method is presented. SEGOKPLS(+K) is a novel method based on EGO that is able to handle a large number of variables. The number of variables is reduced by partial least square technique and then a Kriging model is fitted. In the SEGOKPLS+K model another Kriging model is built on the original space using the first model as starting point. The surrogate model is then optimized by the DIRECT algorithm. The method has been successfully implemented in python and applied to the optimization of an International Moth hydrofoil and compared to a standard evolutionary algorithm. Different types of parameterizations for the hydrofoil have been tested: Bezier, Bezier-PARSEC, NURBS, and uNURBS.

La fluidodinamica computazionale (CFD) sta diventando sempre più utilizzata per le prime fasi di ottimizzazione di profili alari e hydrofoil. L'ottimizzazione di solito richiede molte valutazioni di funzione e, quando il costo computazionale è elevato, potrebbe comportare tempi di simulazione incredibilmente lunghi. Per ridurre il numero di valutazioni delle funzioni necessarie, è possibile utilizzare strategie di ottimizzazione basate su modelli surrogati. In questo lavoro viene presentato un recente metodo di ottimizzazione basato su un modello surrogato. SEGOKPLS(+K) è un nuovo metodo basato su EGO in grado di gestire un gran numero di variabili. Il numero di variabili viene ridotto mediante la tecnica PLS (Partial Least Squares) e quindi viene costruito un modello di Kriging. Nel modello SEGOKPLS+K un altro modello Kriging è costruito nello spazio originale usando il primo modello come punto di partenza. Il modello surrogato viene quindi ottimizzato dall'algoritmo DIRECT. Il metodo è stato implementato con successo in Python e applicato all'ottimizzazione del hydrofoil di un International Moth e confrontato con un algoritmo evolutivo standard. Diversi tipi di parametrizzazione per l'hydrofoil sono stati testati: Bezier, Bezier-PARSEC, NURBS e uNURBS.