In classical aircraft design optimization procedures, computationally expensive higher-fidelity calculations are not performed economically enough, and the established knowledge is not sufficiently exploited. This work presents a concept for the systematic acquirement, storage and reusage of knowledge in a design optimization framework for unmanned aerial vehicles. The core of the work is a variable-fidelity optimization procedure, which automatically selects the level of fidelity individually for each discipline involved in the design process. The framework applies low-fidelity methods as a baseline. Higher-fidelity calculations are performed only when deemed necessary. Several methods are proposed to decide which higher-fidelity calculations should be performed. The discrepancy between solutions with lower and higher fidelity is recorded in the form of correction factors. This work presents an approach that avoids the unconditional imitation of higher-fidelity solutions. The motivation for this is that, due to inaccuracies in the higher fidelity results that cannot be excluded, there is neither a need nor a justification for imitating them. The identified correction factors are used to train Machine Learning models that make predictions about how the correction factors change in the design space. In this manner, higher-fidelity calculations are economized. In an exemplary optimization run, the developed framework shows a computation time saving of up to 73.4% compared to a reference optimization method that consistently uses only the higher-fidelity methods. Parameter variations show a very good agreement between the objective functions obtained with the proposed concept and the reference procedure. Also, the work investigates the usage of low-fidelity lifting surface mass estimation methods, which were originally developed for general aviation aircraft. By means of the correction factors, a recalibration of these methods is performed with respect to the class of unmanned aerial vehicles considered in this work. The results show very good agreement with physics-based methods developed specifically for the class of unmanned aircraft considered. Furthermore, curve fits are presented that allow the determination of wing aerodynamic correction factors based solely on the aspect ratio and Reynolds number of the wing. The last part of the thesis examines the transfer of knowledge gained from a previous design optimization task to a new task with new requirements. Computational time savings in the amount of 89.2% are achieved in comparison to the reference procedure. Subsequent parameter variations demonstrate very good agreement between the results obtained from the two design optimization procedures.     «

In classical aircraft design optimization procedures, computationally expensive higher-fidelity calculations are not performed economically enough, and the established knowledge is not sufficiently exploited. This work presents a concept for the systematic acquirement, storage and reusage of knowledge in a design optimization framework for unmanned aerial vehicles. The core of the work is a variable-fidelity optimization procedure, which automatically selects the level of fidelity individually f...     »

In klassischen Optimierungsverfahren für den Flugzeugentwurf werden rechenintensive Higher-Fidelity-Berechnungen nicht effizient genug durchgeführt und das generierte Wissen nicht ausreichend genutzt. In dieser Arbeit wird ein Konzept für die systematische Erfassung, Speicherung und Wiederverwendung von Wissen in einem Entwurfsoptimierungs-Framework für unbemannte Fluggeräte vorgestellt. Kern der Arbeit ist ein Optimierungsverfahren, das den Grad der Modelltreue automatisch für jede am Entwurfsprozess beteiligte Disziplin individuell auswählt. Das Framework wendet standardmäßig Low-Fidelity-Methoden an. Higher-Fidelity-Berechnungen werden nur durchgeführt, wenn dies für notwendig erachtet wird. Für die Entscheidung, welche Berechnungen mit höherer Modelltreue durchzuführen sind, werden mehrere Methoden vorgeschlagen. Die Diskrepanz zwischen Lösungen mit geringerer und höherer Modelltreue wird in Form von Korrekturfaktoren erfasst. Es wird ein Ansatz vorgeschlagen, der die bedingungslose Nachahmung von Higher-Fidelity-Lösungen vermeidet. Die Motivation dafür ist, dass aufgrund von nicht auszuschließenden Ungenauigkeiten in den Higher-Fidelity-Ergebnissen weder die Notwendigkeit noch eine Rechtfertigung dafür besteht, diese zu imitieren. Mithilfe der ermittelten Korrekturfaktoren werden Machine-Learning-Modelle trainiert, die Vorhersagen über die Veränderung der Korrekturfaktoren im Designraum treffen. Auf diese Weise werden Higher-Fidelity-Berechnungen eingespart. In einem beispielhaften Optimierungslauf zeigt das Framework eine Rechenzeitersparnis von bis zu 73.4% im Vergleich zu einem Referenzoptimierungsprozess, der ausschließlich Higher-Fidelity-Methoden verwendet. Parametervariationen zeigen eine sehr gute Übereinstimmung zwischen den Ergebnissen der beiden Entwurfsoptimierungsprozesse. Die Arbeit untersucht auch die Verwendung von Low-Fidelity-Methoden zur Tragflächenmassenabschätzung, die ursprünglich für Flugzeuge der allgemeinen Luftfahrt entwickelt wurden. Mittels Korrekturfaktoren wird eine Rekalibrierung dieser Methoden im Hinblick auf die in dieser Arbeit betrachtete Klasse unbemannter Luftfahrzeuge durchgeführt. Die Ergebnisse zeigen eine sehr gute Übereinstimmung mit physikbasierten Methoden, die speziell für die betrachtete Klasse unbemannter Luftfahrzeuge entwickelt wurden. Weiterhin werden Korrekturkurven vorgestellt, die die Bestimmung von Korrekturfaktoren für die Tragflächenaerodynamik allein auf der Grundlage der Streckung und der Reynoldszahl der Tragfläche ermöglichen. Der letzte Teil der Arbeit untersucht den Transfer von Wissen aus einer vorangegangenen Entwurfsoptimierungsaufgabe auf eine neue Aufgabe mit neuen Anforderungen. Es werden Rechenzeiteinsparungen in Höhe von 89.2% im Vergleich zum Referenzverfahren erzielt. Anschließende Parametervariationen zeigen eine sehr gute Übereinstimmung zwischen den Ergebnissen der beiden Entwurfsoptimierungsverfahren.     «

In klassischen Optimierungsverfahren für den Flugzeugentwurf werden rechenintensive Higher-Fidelity-Berechnungen nicht effizient genug durchgeführt und das generierte Wissen nicht ausreichend genutzt. In dieser Arbeit wird ein Konzept für die systematische Erfassung, Speicherung und Wiederverwendung von Wissen in einem Entwurfsoptimierungs-Framework für unbemannte Fluggeräte vorgestellt. Kern der Arbeit ist ein Optimierungsverfahren, das den Grad der Modelltreue automatisch für jede am Entwurfsp...     »