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
- Tez No: 847297
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN, DOÇ. DR. HANDE ALEMDAR
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Uçak kanatları gibi kritik bileşenlerin seçimi, akış simülasyonlarıyla ilgili yüksek hesaplama maliyetleri nedeniyle zaman alıcı olabilir. Derin makine öğrenimi teknikleri, akış alanını, istenen parametreleri ve aerodinamik katsayıları önemli ölçüde daha düşük bir maliyetle tahmin edebilir. Ancak derin öğrenme tahmini genellikle akışı oluşturan fiziksel süreçleri göz ardı eder. Eğitilen senaryonun altında yatan fizik hakkında bilgi sahibi olan bir derin öğrenme ağının geliştirilebileceğini varsayalım. Bu durumda bu algoritma, nesnelerin etrafındaki akışı daha doğru bir şekilde tahmin edebilecek bir araç sunabilir. Bu fikri test etmek için bir kanat profili etrafındaki akışı içeren bir model problem önerilmiştir. Bu kanat profili üzerindeki kaldırma ve sürükleme kuvvetleri, kanat profili etrafındaki akış alanıyla birlikte geliştirilen modelin tahmin parametreleridir. Tahmin aracı olarak convolutional bir sinir ağı modeli geliştirilmiştir. Kayıp fonksiyonu, modelin doğruluğunu artırmak için momentum korunumu bazlı yeni bir kayıp fonksiyonu ile geliştirildi. Momentum korunumunun eklenmesi, uçağın etrafındaki kaldırma ve sürükleme tahminlerini önemli ölçüde artırır. Akış veritabanı sıkıştırılabilir CFD çalıştırmalarıyla hazırlandı. Doğruluğu geliştirmek için CFD çözücü ve kayıp fonksiyonu hesaplaması aynı akı fonksiyonunu kullanır. Eğitimden sonraki analizler, CFD hesaplamalarının zaman ve maliyetinden çok daha az bir sürede, basit kayıp fonksiyonlarına kıyasla daha iyi kaldırma ve sürükleme kuvveti tahminleri gösterdi.
Özet (Çeviri)
The selection of critical components like aircraft wings can be time-consuming due to the high computational costs associated with flow simulations. Deep machine learning techniques can predict flow domain and desired parameters and coefficients at a significantly lower cost. However, A deep learning prediction often ignores the physical processes that form the flow. Suppose a deep learning network that is informed about the physics underlying the trained scenario can be developed. In that case, this algorithm can offer a tool that can more accurately predict the flow around objects. A model problem involving flow around an airfoil is proposed to test this idea. Lift and drag forces on this airfoil, together with the flow domain around the airfoil, are the prediction parameters. A convolutional neural network model is developed as the prediction tool. The loss function is enhanced by a new conservation of momentum-based loss function to improve the fidelity of the model. The addition of conservation of momentum improves the lift and drag predictions around the aircraft significantly. The flow database is prepared with compressible CFD runs. To improve the accuracy, the CFD solver and the loss function calculation utilize the same flux function. The predictions after the training showed improved lift and drag estimations compared to simple loss functions in a fraction of the time and cost of CFD calculations.
Benzer Tezler
- Code clone detection with convolutional neural network
Konvolüsyonel sinir ağı ile kod klon tespiti
HARUN DİŞLİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN
- Fake image detection
Sahte görüntü algılama
MIRACLE EKENE ANIAKOR
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Bilgi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELENA SÖNMEZ
- Machine learning and signal processing on recognizing epileptic seizure patterns
Epileptik kriz örüntülerinin tanınmasında makine öğrenmesi ve sinyal işleme
BARKIN BÜYÜKÇAKIR
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİzmir Katip Çelebi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN KAYA
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Yüz ifadesi tanıma başarımı için ilgili bölge belirleme ve çekişmeli üretici ağlar kullanılarak örnek artırım yöntemlerinin geliştirilmesi
Development of a region of interest detection and a generative adversarial network based image augmentation approach for improving facial expression recognition performance
ÖMER FARUK SÖYLEMEZ
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURHAN ERGEN