3 października 2023 o godz. 11:00 w sali 200 Wydziału Inżynierii Środowiska, Górnictwa i Energetyki, odbyła się obrona pracy doktorskiej mgra inż. Rafała Robaka, pt.: „Optymalizacja parametrów dynamicznych kierownic turbin niskiego ciśnienia silnika turbowentylatorowego z wykorzystaniem metod sztucznej inteligencji”.
Praca miała charakter interdyscyplinarny z zakresów: Inżynierii Mechanicznej – gdzie promotorem był dr hab. inż. Mirosław Szczepanik, prof. PŚ oraz Inżynierii Środowiska, Górnictwa i Energetyki – gdzie promotorem był – dr hab. inż. Sebastian Rulik, prof. PŚ. Recenzentami pracy byli: Prof. dr hab. inż. Tadeusz Burczyński, z Instytutu Podstawowych Problemów Techniki PAN, dr hab. inż. Piotr Lampart z Instytutu Maszyn Przepływowych PAN oraz dr hab. inż. Rafał Buczyński z Akademii Górniczo-Hutniczej.
W pracy przedstawiono proces optymalizacji charakterystyk dynamicznych kierownic turbin niskiego ciśnienia z wykorzystaniem algorytmów sztucznej inteligencji. Zastosowano uproszczenie, modelując przedmiot optymalizacji jako strukturę dwuwymiarową, wykazując jednocześnie brak istotnego wpływu na wyniki częstotliwości drgań własnych i masę układu. Model parametryczny został zdefiniowany w oparciu o wyniki energii odkształcenia dla pierwszej postaci drgań własnych. Pokazują one w sposób jakościowy, które obszary powinny zostać uwzględnione jako zmienne projektowe. Na tej podstawie zdefiniowano następujące cechy geometryczne; charakterystyki grubościowe obudowy turbiny (trzy powłoki), grubości zaczepów kierownicy wraz z ich pozycjami oraz pochyleniem a także grubość górnej platformy kierownicy (łącznie dziesięć zmiennych projektowych). Zakres zmienności parametrów został ustalony w odniesieniu do ograniczeń produkcyjnych a także z uwagi na długość platformy górnej kierownicy turbiny. Parametryczna geometria posłużyła do przygotowania modelu MES i przeprowadzenia numerycznej analizy modalnej w celu wyznaczenia częstotliwości drgań własnych pierwszej postaci oraz powierzchni modelu. Posługując się planem Box-Wilson (planowaniem eksperymentu) oraz mechanizmami agregacji metamodeli wyznaczono model zastępczy. Metamodel był narzędziem do weryfikacji wariantów konstrukcyjnych generowanych przez strategie optymalizacyjne metod sztucznej inteligencji. Zanim przystąpiono do procesu optymalizacji, wykonano analizę wrażliwości poszukiwanych odpowiedzi na zdefiniowane zmienne projektowe. Wyniki pokazały znaczny wpływ powłoki obudowy turbiny na pierwszą częstotliwość drgań własnych a także powierzchnię modelu. Porównano komercyjnie zaimplementowany algorytm genetyczny ze sztucznym algorytmem immunologicznym w postaci kanonicznej (selekcja klonalna) oraz w postaci zmodyfikowanej wzbogaconej o efekt kostymulacji limfocytu B z limfocytem T. Dla przeprowadzonych procesów optymalizacji wykazano algorytm immunologiczny jako bardziej efektywny, zarówno z perspektywy otrzymanej powierzchni modelu w przypadku jej minimalizacji, a także liczby wywołań funkcji celu. Przepływ danych w przypadku algorytmu genetycznego odbywał się wewnątrz programu Ansys Workbench. W przypadku algorytmu immunologicznego opracowano sposób komunikacji z narzędziem Ansys weryfikującym warianty konstrukcyjne poprzez zestaw plików wsadowych i sesyjnych. Optymalny wariant konstrukcyjny był każdorazowo weryfikowany poprzez dedykowaną numeryczną analizę modalną MES i wykazywał zbieżność do 0.5% co jest akceptowalne z punktu widzenia procesu konstrukcyjnego.
