Geri Dön

Physics informed neural networks for computational fluid dynamics

Hesaplamalı akışkanlar dinamiğinde fizikle öğrenen yapay sinir ağları

PDF İndir

  1. Tez No: 782869
  2. Yazar: ATAKAN AYGÜN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ALİ KARAKUŞ, DR. ROMİT MAULİK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  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: 101

Özet

Bu çalışmada, genellikle hesaplamalı akışkanlar dinamiğinde (CFD) kullanılan problemleri modellemek için fizikle öğrenen yapay sinir ağlarını (PINN) kullanıyoruz. PINN herhangi bir ayrıklaştırma şemasına veya ağ oluşturmaya ihtiyaç duymadığından, bu yaklaşımın uygulanması geleneksel sayısal yöntemlere kıyasla daha kolaydır. CFD problemleri bağlamında, ağ parametrelerinin etkisi, çözümün yakınsama ve doğruluğunda gösterilmiştir. PDE'de doğrusal olmama arttıkça, PINN fiziksel olarak anlamlı çözümler sağlamakta zorluk çektiğinden, doğrudan problemlere yönelik çözümler karmaşık olmayan bölgelerde seçilir. Bu nedenle akış problemlerine sağlanan çözümler düşük Reynolds sayılı bölgelerdedir. Uygulamalar Navier-Stokes ve Euler denklemleriyle temsil edilen akış problemlerinin çözümünü içermektedir. Euler denklemlerindeki problemler, mevcut PINN yetenekleri bölgesinde, tek boyutlu bir alandadır. Akış denklemlerini enerji denklemiyle birleştiren ısıl taşınım denklemlerinin çözümü sunulmaktadır. Her kayıp terimindeki ağırlıklandırmanın etkisi, farklı sinir ağı türleri ile birlikte sunulur. Son olarak CFD'de hareketli sınır problemleri için ağ deformasyonu sunulmuştur. Deformasyon eliptik denklemlerle modellenmiştir. Kesin sınır değerleri, sınırın gerçek konumunda olmasını sağlamak için ağ çıkışına uygulanır. Ağın kalitesi, eleman şekli ve alan değişiklikleri ile sunulur.

Özet (Çeviri)

In this work, we use physics-informed neural networks (PINN) to model the problems generally used in computational fluid dynamics (CFD). Since PINN does not need any discretization scheme or mesh generation, this approach is easier to implement compared to conventional numerical methods. In the context of CFD problems, the effect of network parameters is shown in the convergence and the accuracy of the solution. The solutions to forward problems are chosen with simple geometries since as the nonlinearity increases in the PDE, the PINN has difficulties providing physically meaningful solutions. Therefore, the provided solutions to flow problems are in low Reynolds number regions. Applications in this thesis include the solution of flow problems represented with Navier-Stokes and Euler equations. The problems in Euler equations are in a one-dimensional domain. The solution of thermal convection equations that couples the flow equations with the energy equation is presented. The effect of weighting in each loss term is presented along with different neural network types. Mesh deformation for moving boundary problems in CFD is presented. The deformation is modeled with elliptic equations. The exact boundary values are enforced on the network output to ensure the boundary is in its exact position. The quality of the mesh is presented with the element shape and area changes. PINN can be used in sub-tasks that do not affect the accuracy of high-fidelity solvers.

Benzer Tezler

  1. Tez No

    763588

    Deep learning based speed up of fluid dynamics solvers

    Akışkanlar dinamiği çözücülerinin derin öğrenmeye dayalı hızlandırılması

    DENİZ ALPER ACAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. OĞUZ UZOL

  2. Tez No

    759550

    Solving Navier Stokes equations with physics informed neural network for calculation of aerodynamic forces

    Aerodinamik kuvvetleri hesaplamak için Navier-Stokes denklemlerinin fizik bilgili nöral ağ ile çözümü

    SILA AKPINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiSabancı Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT YEŞİLYURT

  3. Tez No

    830316

    Development of a fault-tolerant model predictive controller for vehicle lateral stability

    Araç yanal stabilitesi için arızaya dayanıklı model öngörülü kontrolcü geliştirilmesi

    MUHAMMED KEMAL KÖYSÜREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. MELİH ÇAKMAKCI

  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

    722237

    Seismic first arrival traveltime inversion harnessing physics informed neural networks

    Fizik bilgili sinir ağları kullanarak sismik ilk varış seyahat süresi ters çözümü

    İSA EREN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Jeofizik MühendisliğiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    PROF. DR. ÖMÜR UĞUR

    DR. ÖĞR. ÜYESİ UMAİR BİN WAHEED

Geri Dön