CFD 경계층 파라미터 인공신경망을 이용한 익형 자체소음 예측 = Airfoil Self-Noise Prediction Using Artificial Neural Networks for CFD Boundary Layer Parameter

국문 초록 (Abstract)

본 연구에서는 2차원 Reynolds-Averaged Navier-Stokes (RANS)를 통해 예측된 경계층 파라미터를 학습하여 인공신경망 기반의 경계층 파라미터 예측 모델을 개발하였다. 개발된 경계층 모델은 다양한 익형의 뒷전 경계층 및 배제 두께를 예측하며 실험식 기반의 익형 자체소음을 예측하였다. 이 경계층 모델을 이용하여 익형의 최대 두께 및 캠버의 크기에 따른 NACA 익형을 통해 익형 형상에 따른 자체소음 민감도를 분석하였다. 그 결과 받음각, 양력계수, 양항비에 따른 익형의 최대 두께 및 캠버의 경향성을 확인할 수 있었다. 모델을 UH-1B 제자리 비행 회전익 로터에 적용하여 팁 마하수, 블레이드의 수, solidity, 익형의 최대 두께 및 캠버 등 로터의 파라미터를 변화함에 따라 톤 소음 및 익형 자체소음을 측정하였고 그 경향성을 확인할 수 있었다.

다국어 초록 (Multilingual Abstract)

This study presents the development of an artificial neural network-based boundary layer parameter prediction model, trained using two-dimensional Reynolds-Averaged Navier-Stokes (RANS) simulations. The model accurately predicts boundary layer and displacement thicknesses on the trailing edge of diverse airfoil shapes, alongside estimating airfoil self-noise using empirical formulations. Employing this boundary layer model, the study analyzes the self-noise sensitivity of airfoil shapes, exploring variations in maximum thickness and camber across NACA airfoils. The findings revealed discernible trends in maximum thickness and camber of the airfoils with respect to angle of attack, lift coefficient, and lift-to-drag ratio. Furthermore, the model is extended to assess the UH-1B hovering rotor, predicting both tonal noise and airfoil self-noise across parameteric sweeps of tip Mach number, number of blades, rotor solidity, maximum thickness, and camber. The observed trends confirm the influence of these rotor parameters on tonal noise and self-noise levels.