Deep learning based speed up of fluid dynamics solvers
Akışkanlar dinamiği çözücülerinin derin öğrenmeye dayalı hızlandırılması
- Tez No: 763588
- Danışmanlar: PROF. DR. OĞUZ UZOL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Havacılık ve Uzay Mühendisliği, Computer Engineering and Computer Science and Control, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık ve Uzay Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Havacılık ve Uzay Mühendisliği Bilim Dalı
- Sayfa Sayısı: 134
Özet
Bu tezde, akışkanlar dinamiği çözücülerinin hızlandırılması için iki farklı derin öğrenme tabanlı yöntem önerilmektedir. Parametrik Kodlanmış Fizik Bilgili Sinir Ağı (PEPINN) olarak adlandırılan ilk yöntem, geçici akışkan dinamiği problemlerini çözmek için kullanılmaktadır. Fizik bilgili sinir ağları (PINN) için bir alternatif olan Parametrik Kodlanmış Fizik Bilgili Sinir Ağı (PEPINN), problem alanının parametrik olarak kodlanmasına dayanır. PEPINN yönteminde, problem kalıntısının (residual) hesaplanması için otomatik türevlendirme, sonlu fark çekirdekleri (kernels) ile değiştirilir, bu da PEPINN'in zaman ve bellek karmaşıklığını düşürür. Bu model, Taylor-Green Vortex probleminin çözümü için en iyi alternatif olan orijinal fizik bilgili sinir ağları (PINN) modeline kıyasla, gerçek zamanda (wall time) 40 kata kadar hızlanma sağlayabilir ve çözümlerin ortalama karesel hatasında herhangi bir kayıp olmaz. Ayrıca Parametrik Kodlanmış Fizik Bilgili Sinir Ağı'nın (PEPINN), GTX 1080 Ti GPU'da alternatif orijinal fizik bilgili sinir ağları (PINN) yöntemlerine kıyasla 183 kata kadar daha büyük veri üzerinden eğitilebildiği tespit edilmiştir. Bu tezde önerilen ikinci yöntem ise, kararlı durum Navier-Stokes denklemlerinin öngörülen çözümünün başlangıç koşulu olarak sağlanmasının, çözüm sürecini hızlandırabileceği hipotezine dayanmaktadır. Bu yöntemde, U-net tabanlı bir mimari, başlangıç ve sınır koşulları belirlenerek, bütün problem alanının ayrıklaştırılmış bir temsili üzerinden eğitilmektedir. Eğitilen model, benzer durumların yakınsak çözümünü tahmin etmek için kullanılır ve elde edilen sonuçlar o problemin hesaplama ağına aktarılır. Bu yöntem, gelişigüzel aerodinamik profil etrafındaki kararlı, sıkıştırılamaz, sabsonik akış üzerinde test edilmiştir.
Özet (Çeviri)
In this thesis, two distinct deep learning-based methods for the speed-up of fluid dynamics solvers are proposed. The first method called Parametric Encoded Physics informed neural network (PEPINN), is utilized to solve transient fluid dynamics problems. PEPINN is an alternative to the Physics informed neural networks (PINN) and is based on the parametric encoding of the problem domain. In PEPINN the automatic differentiation for calculation of the problem residual is replaced with finite difference kernels which improve PEPINN's time and memory complexity. This model can achieve up to 40 times speed up in wall time for the solution of the Taylor-Green Vortex problem compared to the best alternative vanilla PINN model with no loss in solutions mean squared error. It is also shown that PEPINN can be trained on up to 183 times larger data compared to the alternative vanilla PINN methods in a GTX 1080 Ti GPU. The second proposed method in this thesis is based on the hypothesis that providing the predicted solution of the steady-state Navier-Stokes equations as their initial condition might speed up the solution process. In this method, an Unet-based architecture is trained on a discretized representation of the whole problem domain given its initial and boundary conditions. The trained model is used to predict the converged solution of similar cases and the obtained results are transferred to the computational mesh of that problem. This method is tested on the steady, incompressible, subsonic flow around arbitrary airfoils.
Benzer Tezler
- A fast 3d flow field prediction around bluff bodies using deep learning
Derin öğrenme kullanılarak küt cisimler etrafındaki 3 boyutlu akış alanının tahmini
FARHAD NEMATI TAHER
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDUSSAMET SUBAŞI
- İntrakranial hemorajilerde unet tabanlı derin sinir ağları ile beyin BT görüntülerinin otomatik segmentasyonu ve volümetrik analizi
Automatic segmentation and volumetric analysis of intracranial hemorages in brain CT images with unet-based deep neural networks
MURAT YÜCE
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. AHMET TAN CİMİLLİ
- Derin öğrenme tabanlı oftalmoloji görüntülerinde veri analizi ve güvenliği
Deep learning based data analysis and security in ophthalmology images
CANER ŞEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GIYASETTİN ÖZCAN
PROF. DR. SELİM DOĞANAY
- Image reconstruction with deep learning and applications in MR images
Derin öğrenme ile görüntü geriçatımı ve MR görüntülerinde uygulamaları
AMIR AGHABIGLOU
Doktora
İngilizce
2022
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Energy management system in real time by image processing and deep learning
Görüntü işleme ve derin öğrenme ile gerçek zamanlı enerji yönetim sistemi
SUDAD J ASHAJ ASHAJ
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN ERÇELEBİ