Real-time optimalisatie van biologisch-geïnspireerde vleugels door middel van een vervormbare overset methode en machinaal leren

In het ontwerp van vliegtuigen, en vleugelachtige toepassingen in het algemeen, wordt vormoptimalisatie toegepast om de energie overgedragen door de stroming te maximaliseren. Het uiteindelijke ontwerp is echter nog steeds een compromis tussen de verschillende werkingstoestanden. Vervormende (U+201CmorphingU+201D) structuren passen hun vorm aan aan de omstandigheden en maken zo optimale prestaties over een breed bereik aan werkingstoestanden mogelijk. Recente vooruitgang in verschillende domeinen toont de haalbaarheid van slimme vervormende vleugels aan: nieuwe materialen maken zwaar belaste flexibele structuren mogelijk, en op vlak van regeltechniek zijn sommige methodes voor machinaal leren nu performanter dan modellering. De laatste grote horde voor deze technologie is dan ook het ontbreken van numerieke testmethodes voor de vervormingsstrategieen, en een aangepast raamwerk voor het aanleren ervan door het imiteren van vogels en vliegende insecten. Deze thesis draagt bij aan het nemen van deze horde, bouwend op drie pijlers: het ontwikkelen van een gridgeneratie methode voor vervormbare U+201Coverset meshesU+201D, het definieren van een op fysische elementen gebaseerd surrogaat model voor de aerodynamica van Micro Air Vehicles of MAVU+2019s, en het onwikkelen van een biologisch-geinspireerde optimaliseerder. Hoewel de focus licht bij biologisch-geinspireerde MAVU+2019s, kan de voorgestelde methode toegepast worden op elk aerodynamisch probleem met vervormende en bewegende lichamen.