Optimasi Kinerja dan Kestabilan Unmanned Aerial Vehicle Melalui Pengaturan Parameter Chord Tip dan Offset Sayap dengan Menerapkan Metode Artificial Neural Network-Genetic Algorithm

Firdaus, Fitriana (2021) Optimasi Kinerja dan Kestabilan Unmanned Aerial Vehicle Melalui Pengaturan Parameter Chord Tip dan Offset Sayap dengan Menerapkan Metode Artificial Neural Network-Genetic Algorithm. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
02111950080009-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (5MB) | Request a copy

Abstract

Semakin banyaknya penggunaan Unmanned Aerial Vehicle (UAV) di erbagai bidang telah mendorong pemutakhiran teknologi kendaraan ini juga ikut berkembang dalam memenuhi kebutuhan UAV dengan karakteristik tertentu dan dengan harga yang terjangkau. Salah satu spesifikasi terpenting dari UAV adalah kestabilannya yang dapat dikaji baik dari performa aerodinamik maupun sistem kendalinya. Apabila dikaji lebih jauh, pengoptimalan aerodinamis dari UAV dalam membangun kinerja dan kestabilan pesawat secara natural jauh lebih efisien dan murah. Sehingga biaya dan tenaga yang diperlukan untuk pembangunan sistem kendali pesawat yang rumit dapat dikurangi. Berdasarkan uraian tersebut maka sebuah studi optimasi kinerja dan kestabilan pada sayap UAV komersil jenis Cesna 182 dilakukan dengan mengatur dimensi Chord Tip (CT) dan offset dari sayap untuk memperoleh kinerja aerodinamis optimum yang dikaji melalui nilai maksimum CL/CD, dan nilai minimum CD-0. Selain itu kestabilan pesawat juga dikaji berdasarkan nilai CM-α short period, roll damping, dan dutch roll mode dengan target untuk diminimalkan. Penelitian ini diawali dengan pembangunan model numerik dari karakteristik aliran udara di UAV eksisting menggunakan perangkat lunak XFLR5 Model-model numerik yang dibangun berdasarkan variasi geometri dari Chord Tip (CT) dan Offset dari sayap, masing-masing akan memiliki respon berupa koefisien CL/CD max, CD-0, CM-α, short period, roll damping, dan dutch roll mode. Seluruh data hasil pemodelan tersebut akan digunakan untuk melatih struktur jaringan saraf tiruan berbasis Back-propagation Neural Network (BPNN) yang digunakan untuk memprediksi hubungan matematis antara variasi geometri CT dan Offset terhadap masing-masing responnya. Keakuratan BPNN dalam memprediksi hubungan tersebut dapat diukur melalui nilai MSE atau error antara nilai respon awal dengan nilai respon prediksi dari masing masing hasil pelatihan terhitung dengan rata-rata sebesar 2.08376×10^(-7). Relasi matematis yang diperoleh dari struktur BPNN ini juga diintepretasikan melalui metode respon surface untuk memprediksi lokasi-lokasi nilai optimum masing-masing respon. Prediksi awal lokasi optimum tersebut telah dibandingkan dengan hasil pencarian nilai CT dan Offset dengan metode Genetic Algorithm, dimana respon optimum UAV diperoleh ketika konfigurasi CT dan Offset masing-masing bernilai 160 dan 93.Dengan konfigurasi geometri sayap yang baru, maka kinerja aerodinamis dari UAV dapat dilakukan secara virtual dengan pembangunan model CFD menggunakan perangkat lunak Ansys Fluent, sedangkan kestabilan UAV dikaji dengan menggunakan software XFLR5. Dari hasil tersebut diketahui UAV dengan sayap yang optimal diprediksi tidak memiliki kinerja sebaik UAV dengan sayap tanpa optimasi. Namun, UAV dengan sayap optimal memiliki kestabilan styang tidak dimiliki oleh UAV dengan sayap tanpa optimasi. ==================================================================================================== The increasing demand of Unmanned Aerial Vehicle (UAV) in various applications has pushed the maturity of this technology even further through sustainable development. In many cases, a good performance with a reasonable price is the most concern in today's market. One of the important UAV characteritic is the stability, basically the stability of the aircraft can be determined in two terms; naturally and forcefully. Natural stability of the aircraft is heavily relied on the geometric of the aircraft thus eventually determined its aerodynamic characteristic. On the other hand, a force stability typically used a complex electromechanical system which is more expensive. Based on that, a practical optimization based on wing geometries parameters of Chord Tip (CT) and offset has been done to the existing UAV Cessna 182. The natural stability of the aircraft can be evaluated based on several term such as; CM-α short period, roll damping, and dutch roll mode. The initial stability data was calculated numerically according to Chord Tip (CT) and offset variation using XFLR5. Furthermore, the collected data is use to train the neural network architecture which is in this case we used the back-propagation neural network (BPNN). The aim for this training process is to obtain a mathematical relationship between the input and output parameters. The accuracy of BPNN was evaluated through mean square of error (MSE) in each reaspective train process. The result showed an average error of 2.08376×10^(-7) which impresively accurate. The relationship model from BPNN is also presented in form of response surfaces, to help locate the maximum-or minimum value of the response as a fucntion of their parameters. A preliminary optimum parameters from the 3D respon surface can be evaluated numerically using genetic algorithm. The optimal value of Chord Tip (CT) and offset based on their required optimum responses was confirmed at 160 and 93 respectively. Finnaly the optimum wing performance was assessed based on two different numerical techniques. The aerodynamic performance was evaluated through CFD model using FLUENT and stability was evaluated using XFLR5. The result showed, the aerodynamic performance of the new optimized wing has no a significant improvement compare to the exsisting ones. However, the new optimized wing far more superior in term of stability performance.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Optimasi, sayap, UAV, XFLR5, Backpropagation, Artificial Neural Network, Genetic Algorithm, Optimization, Wing
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T57.62 Simulation
T Technology > TA Engineering (General). Civil engineering (General) > TA167.5 Neurotechnology. Neuroadaptive systems
T Technology > TA Engineering (General). Civil engineering (General) > TA357 Computational fluid dynamics. Fluid Mechanics
U Military Science > U Military Science (General) > UG Military Engineering > UG1242.D7 Unmanned aerial vehicles. Drone aircraft
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User: Fitriana Firdaus
Date Deposited: 02 Sep 2021 06:28
Last Modified: 02 Sep 2021 06:28
URI: https://repository.its.ac.id/id/eprint/91538

Actions (login required)

View Item View Item