Multipoint High-Fidelity Aerostructural Optimization of a Transport Aircraft Configuration
Notice bibliographique
Résumé
This paper presents multipoint high-fidelity aerostructural optimizations of a long-range wide-body transonic transport aircraft configuration. The aerostructural analysis employs Euler computational fluid dynamics with a 2-million-cell mesh and a structural finite-element model with 300,000 degrees of freedom. The coupled adjoint sensitivity method is used to efficiently compute gradients, enabling the use of gradient-based optimization with respect to hundreds of aerodynamic shape and structural sizing variables. The NASA Common Research Model is used as the baseline configuration, together with a wing box structure that was designed for this study. Two design optimization problems are solved: one where takeoff gross weight is minimized, and another where fuel burn is minimized. Each optimization uses a multipoint formulation with five cruise conditions and two maneuver conditions. Each of the optimization problems have 476 design variables, including wing planform, airfoil shape, and structural thickness variables. Optimized results are obtained within 36 h of wall time using 435 processors. The resulting optimal configurations are discussed and analyzed for the aerostructural tradeoffs resulting from each objective. The takeoff gross weight minimization results in a 4.2% reduction in takeoff gross weight with a 6.6% fuel burn reduction, whereas the fuel-burn optimization resulted in an 11.2% fuel burn reduction with no significant change in the takeoff gross weight.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».