Üretken çekişmeli ağlar ile fonksiyonel 3B tasarım varyantları üretilmesi
Generating functional 3D design variants with generative adversarial networks
- Tez No: 843671
- Danışmanlar: PROF. DR. HÜSEYİN RIZA BÖRKLÜ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, Computer Engineering and Computer Science and Control, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstriyel Tasarım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 237
Özet
Bu doktora tezi tasarım otomasyonu amaçlı yürütülen yapay zekâ destekli yeni ve özgün bir araştırmayı içermektedir. Bu bağlamda Üretken Çekişmeli Ağların (GAN) tasarım yeteneği ile sonlu elemanlar analizi (FEA) yöntemi birlikte kullanılarak 3B konsept tasarımların mekanik özellikleri geliştirilmiştir. GAN mimarilerinin, mekanik özellikleri öğrenme zorluklarını aşmak için yeni bir tasarım ve değerlendirme metodolojisi geliştirilmiştir. Bu metodoloji, birbirini izleyen ve tamamlayan, veri seti oluşturma, GAN eğitimi ve FEA içeren bir süreci kapsamaktadır. İlk olarak, önerilen yöntemin mekanik özellikleri geliştirme potansiyeli 2B kafes tasarımları üzerinde yapılan bir ön çalışma ile gösterilmiştir. Bu ön çalışma hafif ve yüksek mukavemetli kafes yapıları tasarlama konusunda karşılaşılan zorlukların GAN ile çözülebileceğini göstermiştir. Elde edilen bulgular ile yüksek mekanik performanslı 3B tasarım varyantları geliştirmek için bir yol haritası oluşturulmuştur. Ayrıca, 3B nesne tanıma ve üretken tasarım model eğitimi için, parametrik tasarım ve Voronoi diyagramlarını birleştiren yeni bir veri üretme yöntemi de geliştirilmiştir. Bu yöntem, çeşitliliği yüksek ve geniş ölçekli veri kümeleri üreterek derin öğrenme eğitimi için özgün ve önemli bir veri kaynağı oluşturmaktadır. Son aşamada ise GAN eğitimi ve FEA süreçlerini içeren fonksiyonel üretken tasarım modeli sunulmuştur. Bu model, tasarım özelliklerini ve otomasyonu iyileştirirken, üretken modellerin hedef odaklı tasarımlar üretmesi için özgün bir yol sunmaktadır. Önerilen yöntemin geçerliliği, rotora hareket serbestliği sağlayarak helikopterin yönlenmesine yardımcı olan iki yapısal bileşen üzerinde gerçekleştirilen örnek uygulamalarla gösterilmiştir. İki uygulamada GAN ile üretilen yapısal bileşenlerin ortalama emniyet faktörlerinde sırasıyla %6,8 ve %16,9'luk bir iyileşme görülmüştür. Elde edilen bulgular, yapısal bileşenlerin üretken modellerle doğrudan tasarlanmasında derin öğrenmenin önemli ve büyük bir potansiyele sahip olabileceğini göstermektedir. Bu tez aynı zamanda yapay zekâ uygulamalarının mühendislik tasarımında nasıl etkili sonuçlar üretebileceğini göstermekte ve bu alanda yapılacak yeni araştırmalara da ışık tutmaktadır.
Özet (Çeviri)
This PhD thesis includes a new and original research conducted for design automation purposes, supported by artificial intelligence. In this context, the mechanical properties of 3D concept designs were improved by using the design capability of Generative Adversarial Networks (GAN) together with the finite element analysis (FEA) method. A new design and evaluation methodology has been developed to overcome the difficulties in learning the mechanical properties of GAN architectures. This methodology covers a process that includes dataset creation, GAN training, and FEA. Initially, the potential of the proposed method to improve mechanical properties was demonstrated through a preliminary study on 2D lattice designs. This preliminary study has shown that the challenges encountered in designing light and high-strength lattice structures can be resolved using GANs. Findings have provided a roadmap for developing high mechanical performance 3D design variants. Moreover, a new data generation method combining parametric design and Voronoi diagrams for 3D object recognition and generative design model training has also been developed. This method constitutes a unique and significant data source for deep learning training by generating diverse and large-scale datasets. In the final phase, a functional generative design model involving GAN training and FEA processes has been presented. This model offers an innovative path for producing target-oriented designs with generative models while improving design features and automation. The validity of the proposed method is demonstrated through case studies on two structural components that help steer the helicopter by providing freedom of movement to the rotor. In both applications, the average safety factor of structural components generated with GANs showed an improvement of 6.8% and 16.9%, respectively. The findings show that deep learning may have significant and great potential in directly designing structural components with generative models. This thesis also demonstrates how artificial intelligence applications can generate effective results in engineering design and sheds light on future research in this field.
Benzer Tezler
- Fiziksel tabanlı işleme materyalleri için kabartı dokularının yapay sinir ağları ile sentezi
Synthesis of normal map textures for physically based rendering materials with artificial neural networks
MUHAMMED ÖMER FARUK SELVİ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDEM YAVUZ
- Cross-dataset person re-identification
Çapraz veri küme kişiyi yeniden tanıma
ANIL GENÇ
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Mekân tasarım sürecinde iç mekân donatı tasarımının üretken çekişmeli ağlar ile optimizasyonu
The optimization of interior reinforcement design with generative adversarial networks in the space design process
SABAH AMİNENUR ÖZYILDIRIM
Yüksek Lisans
Türkçe
2023
İç Mimari ve Dekorasyonİstanbul Gedik Üniversitesiİç Mimarlık ve Çevre Tasarımı Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAHİT ARSAL ARISAL
- Self-supervised pansharpening: Guided colorization of panchromatic images using generative adversarial networks
Öz-denetimli pankeskinleştirme: Çekişmeli üretken ağlar ile pankromatik görüntülerin güdümlü renklendirilmesi
FURKAN ÖZÇELİK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Generative adversarial networks based level generation for angry birds
Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi
BURKAN YILMAZ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı
DOÇ. DR. SANEM SARIEL UZER