A fully automated optimisation procedure for multi-airfoil configurations based on CFD

Designing and optimising multi-airfoil configurations usually require expensive tests in the wind tunnel and CPU-costly CFD simulations. This work presents an accurate multi-airfoil optimisation procedure based on CFD with variable-fidelity algorithms to reduce the cost related to a pure CFD approach. Several past works available in the literature highlighted the feasibility of the procedure. However, no tool available on the market has neither implemented nor tested the optimisation of multi-airfoil wing configurations. In the few cases available, tools have been limited to individual profile optimization or shape optimisation, usually involving high computational costs. The methodology proposed in this work consists of three blocks. The first one is about geometry and computational grid. Geometries can be generated either by using default airfoil parametrisations (i.e. NACA, IGP, etc.) or by providing a list of points through external files. Grid generation is the user’s most time-consuming activity in CFD requiring experience, especially when complex geometries like multi-element airfoils are concerned. Many parameters such as wall refinement, wake refinement, farfield size, boundary layer and gap description require several tunings and are usually selected with a trial-and-error procedure. Consequently, the proposed automatic tool has been optimised on several configurations, generating efficient grids with limited user inputs and guaranteeing speed and accuracy on generated grids. The second step is CFD simulation, whose setup has been developed on various multi-element configurations by making a thorough comparison between simulation results and experimental tests. Again, the user can customize the main features of typical CFD simulations: numerical schemes, CFL, turbulence model etc. The last and main step is the optimisation procedure. The user can select different methods, including Particle Swarm Optimisation (PSO) and Steepest Ascent (or Descent) Optimisation. Several design variables are supported for configuration optimisation, such as relative positioning and angle of attack of each element. Furthermore, the tool allows a shape optimisation of IGP multi-element airfoils. The optimisation procedure supports multi-processing for distributed computing to take advantage of HPC resources. To carry out the optimisation without an excessive cost or to augmenting procedure robustness, preliminary evaluations exploit less expensive methods like Euler CFD or the Hess-Smith panel method. As for the latter, whenever the objective function is maximum lift the user can also consider the Valarezo-Chin criterion to evaluate a first optimal solution. Preliminary studies are intended to reduce the computational cost favouring convergence by reducing bounds and selecting a proper starting point. Another consequence of preliminary studies regards benefits about the robustness of optimisation procedure since non-interesting or spurious candidates will be automatically excluded from the design space. The entire procedure is built in Python3 and connects open-source applications: SU2 for CFD simulations, Gmsh for grid generation, ParaView for post-processing, while Matlab is called only for the Hess-Smith panel method preliminary study. The proposed procedure opens to several developments to guarantee higher accuracy and computational speed, but also to further improve the transfer of results to aeronautical and automotive applications: extensions to 3D wings with more complex features, new optimisation algorithms or further investigating the ones already applied are few simple examples of future potentialities. The proposed optimisation results demonstrate the feasibility and potentiality of a fully automated CFD procedure: comparing with experimental data, the algorithms found optimal fitness and slot configuration with low errors.

La progettazione e l’ottimizzazione di configurazioni multi-profilo solitamente richiedono test costosi nella galleria del vento e simulazioni CFD costose per la CPU. Il lavoro riportato in questa tesi propone un’accurata procedura di ottimizzazione per profili multipli basata su CFD con algoritmi a fedeltà variabile, volta alla riduzione dei costi relativi a un approccio CFD puro. In letteratura diversi lavori precedenti hanno evidenziato la fattibilità della procedura. Tuttavia, nessun software disponibile sul mercato ha né implementato, testato o organizzato un codice finalizzato all’ottimizzazione di profili multipli. Nei pochi casi disponibili, gli strumenti sono stati limitati all’ottimizzazione del profilo individuale o all’ottimizzazione della forma, solitamente comportando elevati costi di calcolo. La metodologia proposta in questo lavoro consiste in tre blocchi. Il primo riguarda la definizione della geometria e generazione della griglia di calcolo CFD. Le geometrie possono essere definite sia utilizzando parametrizzazioni predefinite di profili alari (es. NACA serie 4, serie 5, IGP, ecc.) sia fornendo un elenco di punti tramite file esterni. Quest’ultima opzione garantisce una maggiore libertà all’utente, non dovendosi limitare alle parametrizzazioni proposte di default. Dal punto di vista pratico, la generazione della griglia è nota per essere l’attività richiedente più tempo in CFD all’utente, poiché esige ampia esperienza e disponibilità di tempo. Tali esigenze diventano ancora più evidenti quando geometrie complesse come i profili alari multipli sono l’obiettivo dell’analisi CFD. Molti parametri come la rifinitura della griglia a parete, della scia, la distanza del farfield di griglia, lo strato limite e la descrizione del gap richiedono diverse regolazioni, richiedendo solitamente una una procedura "trial and error" per la loro definizione. aggiungendo la necessità di un’ottimizzazione della configurazione o forma del profilo, la necessità di rendere l’intera procedura automatizzata diviene obbligatoria. Lo strumento automatico proposto in questo lavoro è stato ottimizzato su più configurazioni, generando griglie efficienti con input limitati e garantendo velocità e precisione sulle griglie generate. All’utente è lasciata la libertà di regolare vari parametri di griglia in base alle necessità. Il secondo passo è la simulazione CFD, il cui setup è stato sviluppato su varie configurazioni a profili multipli effettuando un confronto approfondito tra i risultati della simulazione e i test sperimentali presenti in letteratura. Anche in questo caso, l’utente ha la possibilità di personalizzare le caratteristiche principali delle tipiche simulazioni CFD: schema numerico, CFL, modello di turbolenza ecc. L’ultimo e principale passaggio è la procedura di ottimizzazione, la quale richiama ed include quanto già citato concernente alla generazione delle griglie e alle simulazioni CFD. Sommando tutti questi passaggi nell’intera procedura, la necessità di automatizzazione diviene obbligatoria. Anche in questo caso, l’utente può selezionare diversi metodi, tra cui il Particle Swarm Optimisation (PSO) e lo Steepest Ascent (o Descent). Anche in questo caso, l’utente ha la possibilità di gestire direttamente i parametri e caratteristiche del metodo di ottimizzazione scelto. Sono supportate diverse variabili di progettazione per l’ottimizzazione della configurazione, come il posizionamento relativo e l’angolo di attacco di ciascun elemento. Inoltre, qualora la forma scelta utilizzasse una parametrizzazione IGP, il codice proposto consente l’ottimizzazione di forma. La procedura di ottimizzazione supporta simulazioni multi-processing, permettendo di sfruttare le risorse HPC e ridurre drasticamente i tempi di calcolo. Per eseguire l’ottimizzazione senza costi eccessivi o per aumentare la robustezza della procedura, le valutazioni preliminari sfruttano metodi meno costosi come Eulero CFD o il metodo a pannelli Hess-Smith. In aggiunta, qualora il problema di ottimizzazione scelto dall’utente sia la ricerca di massima portanza o deportanza come funzione obiettivo, l’utente può considerare in alternativa il criterio di Valarezo-Chin con il metodo a pannelli Hess-Smith per lo studio preliminare. Sfruttando queste procedure preliminari meno costose, l’utente identificare delle design variables come punto iniziale così come una riduzione dello spazio delle variabili, concentrando l’ottimizzazione nella regione più promettente e, consequentemente, favorendo la convergenza all’ottimo globale. Un’altra conseguenza degli studi preliminari riguarda i benefici sulla robustezza della procedura di ottimizzazione, poiché i candidati non interessanti o spuri verranno automaticamente esclusi dallo spazio delle variabili. L’intera procedura è costruita in Python3 e si appoggia a software open-source: SU2 per le simulazioni CFD, Gmsh per la generazione della griglia, ParaView per il post-processing, mentre Matlab è richiamato solo per eseguire lo studio preliminare del metodo a pannelli Hess-Smith. Ulteriori sviluppi potrebbero fornire l’accesso a differenti software di generazione della griglia (SnappyHexMesh, Salome, GridPro ecc.) e a diversi software di simulazione CFD (come OpenFOAM e Fluent), garantendo all’utente una maggiore libertà di scelta. La procedura proposta apre infine a diversi sviluppi per garantire maggiore precisione e velocità di calcolo, ma anche per migliorare ulteriormente il trasferimento dei risultati alle applicazioni aeronautiche e automobilistiche: estensioni ad ali 3D con caratteristiche più complesse, nuovi algoritmi di ottimizzazione o approfondimenti su quelli già applicati sono alcuni semplici esempi di potenzialità e sviluppi futuri. I risultati delle ottimizzazioni proposte dimostrano la fattibilità e potenzialità di una procedura CFD completamente automatizzata: comparando con risultati sperimentali presenti in letteratura, gli algoritmi trovano fitness e configurazioni per lo slot ottimali con errori minimi.