انجام آزمونهای مدل اجسام پرنده در تونل باد با شرایط جریانی مناسب تأثیر بهسزایی در میزان کیفیت طراحی و بهینهسازی آنها داشته و در نتیجه نقش عمده‌ای در ایجاد اعتماد بین صنایع و کارفرماها دارد. در فرآیند کالیبراسیون تونل باد، پارامترهای جریان عبوری از محفظه آزمون تونل باد، اعم از توزیع سرعت و فشار، میزان یکنواختی، اغتشاش و زاویه جریان و نیز دقت اطلاعات و ... بهدست آورده میشود. این فرآیند به دلیل داشتن طیف وسیعی از اعداد ماخ و ابعاد نسبتاً بزرگ محفظه آزمون تونل باد بسیار زمانبر و پرهزینه است. در این تحقیق، جهت غلبه بر این مشکلات و صرفهجویی در زمان و هزینه، آزمونهایی در مقاطعی از محفظه آزمون در چند عدد ماخ انجام شده و دادههای مورد نظر اندازهگیری و اخذ شده است. سپس، برای بدست آوردن دادهها در سایر مقاطع و اعداد ماخ فیمابین از روش محاسبات نرم استفاده شده است. در واقع، با پایش بلادرنگ و دادهکاوی مبتنی بر شبکه عصبی (GRNN) روی نتایج کالیبراسیون تونل باد و آموزش این شبکه، نتایج مورد نظر در آن نقاط بهدست آمده است. در این مقاله، نشان داده شده که شبکه عصبی رگرسیون عمومی بر روشهای متداول تخمین توابع، نظیر حداقل مربعات، برتری کامل دارد. با بهکارگیری این تکنیک هوشمند، تعداد دفعات آزمون تا 50 درصد تقلیل یافته و درنهایت هزینه و زمان انجام آزمونها برای کالیبراسیون تونل باد به همین نسبت کاهش مییابد.
)
