Geri Dön

A deep learning methodology for the flow field prediction around airfoils

Kanat etrafındaki akış alanının tahmini üzerine bir derin öğrenme metodolojisi

PDF İndir

  1. Tez No: 695692
  2. Yazar: CİHAT DURU
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN, DR. ÖĞR. ÜYESİ HANDE ALEMDAR
  4. Tez Türü: Doktora
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 116

Özet

Bu çalışmada kanat etrafındaki akış alanını öngören kodlayıcı-çözücü evrişimsel sinir ağı tabanlı bir derin öğrenme metodu amaçlanmaktadır. Sinir ağı modelinin eğitimi ve değerlendirmesi bilinen bir grup kanat etrafında, geniş bir hücum açısı aralığında 2-boyutlu hesaplamalı akışkanlar dinamiği (HAD) çözümlerinden elde edilmiş akış alanları ile gerçekleştirilmiştir. Reynolds ortalamalı Navier-Stokes tabanlı HAD benzetimleri, ses geçişi rejiminde seçilen bir Mach sayısında yüksek kalitede blok-yapılı çözüm ağları üzerinden yapılmıştır. Benzetimlerin sonuçları eğitim için veri seti olarak kullanılmıştır. Kanat şekillerinin sinir ağı modeli tarafından daha iyi öğrenilebilmesi için mesafe haritaları elde edilerek algoritmaya verilmiştir. Mesafe haritasında verilerin konumuna göre basınç katsayısı, Mach sayısı gibi akış parametreleri de algoritmaya sağlanmıştır. Modelin öngörü kabiliyeti hem nicel hem nitel olarak detaylı incelenmiştir. Ses geçişi ve hücum açısı değişiminin akış özelliklerine etkileri, şok dalgaları ve akış ayrılması başarılı bir şekilde yakalanmıştır. Ayrıca, öngörülen akış alanı verisi üzerinden aerodinamik katsayılar hesaplanmıştır. Bulgular, sunulan modelin HAD benzetimlerinin hesaplama sürelerinin çok altında, dikkate değer şekilde iyi akış alanı öngörebildiğini göstermektedir. Öngörülen akış alanı, aerodinamik katsayıların hesaplanmasına izin vermekte, hava taşıtı tasarımcıları için hızlı ve doğru bir kanat seçim aracına imkan sağlamaktadır.

Özet (Çeviri)

This study aims to predict flow fields around airfoils using a deep learning methodology based on an encoder-decoder convolutional neural network. Neural network training and evaluation are performed from a set of computational fluid dynamics (CFD) solutions of the 2-D flow field around a group of known airfoils at a wide range of angles of attack. Reynolds averaged Navier-Stokes (RANS)-based CFD simulations are performed at a selected Mach number on the transonic regime on high-quality structured computational grids. The results of these simulations are utilized as training data set. For better shape learning, a distance map is generated from airfoil shape and provided to the algorithm at data locations of the flow quantities, i.e., pressure coefficient, Mach number, relative to the airfoil shape. The predictive ability of the model is scrutinized both qualitatively and quantitatively. The flow features associated with the transonic effects and the angle of attack variation, such as the shock waves and the flow separation, are well predicted. The results indicate that the presented model provides remarkably good flow field predictions at a fraction of the computational time of CFD simulations. The predicted flow field allows the computation of the aerodynamic coefficients, providing an accurate and fast airfoil selection tool for aircraft designers.

Benzer Tezler

  1. Tez No

    897630

    Graph neural networks on predicting aerodynamic flow fields around airfoils

    Kanat kesitleri çevresindeki aerodinamik akış alanları tahmininde grafik sinir ağları

    SÜLEYMAN ONAT ÇELTİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HANDE ALEMDAR

    DOÇ. DR. ÖZGÜR UĞRAŞ BARAN

  2. Tez No

    899621

    Reconstruction of river flows by era5 reanalysis dataset and long short-term memory models

    Era5 reanalı̇z verı̇ setı̇ ve uzun kısa sürelı̇ bellek modellerı̇ ı̇le nehı̇r akımlarının yenı̇den oluşturulması

    İSMAİL ÜNLÜTÜRK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İnşaat MühendisliğiOrta Doğu Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ ERCAN

  3. Tez No

    676432

    Detection of humans in video streams using convolutional neural networks

    Başlık çevirisi yok

    AMEEN MUDHER ABBAS ALDULAIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

  4. Tez No

    847297

    A convolutional neural network methodology with a momentum-flux-based loss function for predicting aerodynamic flow around airfoils

    Uçak kanatları etrafında aerodinamik akış tahmini için momentum-akı-bazlı kayıp fonksiyonlu convolutıonal sinir ağı metodolojisi

    MUSTAFA MERT DENİZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine MühendisliğiOrta Doğu Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN

    DOÇ. DR. HANDE ALEMDAR

  5. Tez No

    506374

    Wide-area measurement-based early prediction and corrective control for transient stability in power systems

    Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol

    MOHAMMED S.M. MAHDI

    Doktora

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ

Geri Dön