Machine learning based transonic flow computations on aircraft lifting surfaces
Uçak taşıma yüzeylerindeki transonik akışların makina öğrenimi ile hesaplanması
- Tez No: 876781
- Danışmanlar: DOÇ. DR. ÖZGÜR UĞRAŞ BARAN, DOÇ. DR. HANDE ALEMDAR
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Uçak Mühendisliği, Mechanical Engineering, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, yüksek sadakatli transonik akış simülasyonlarının hesaplama maliyetini, Makine Öğrenimi yöntemlerini kullanarak ampirik araçların düzeyine indirmeyi amaçlamaktadır. Bu sayede, savaş uçağı kanatlarının yüksek sadakatli optimizasyonları ve aeroelastik analizleri kavramsal tasarım aşamasında bile ekonomik hale gelebilir. Kanat yüzeylerindeki basınç dağılımının değişimi araştırılmış ve bu basınç dağılımını modellemek için kodlayıcı-kod çözücü yapısındaki derin sinir ağları oluşturulmuştur. Derin öğrenme eğitimi, Mach 0.9 hızında ve 7 ile 12 derece arasındaki hücum açıları aralığında uygulanmıştır. Kanat planform figürü ve düşük sadakatli veri setleri derin öğrenme algoritmasının girdileridir. Düşük sadakatli veri seti, 2 boyutlu kanat profili basınç dağılımları ile oluşturulmuştur. Kanat açıklık oranı, hücum kenar açısı ve koniklik oran parametreleri kanat planform figüründe temsil edilmiştir. Kanat profili özellikleri, hücum açısı ve uç burulma açısı düşük sadakatli veri setine entegre edilmiştir. Yüksek ve düşük sadakatli veri setleri arasındaki $\Delta C_{p}$ dağılımı derin öğrenme çıktısıdır. $\Delta C_{p}$ tahminleri kullanılarak yüksek sadakatli basınç dağılımlarını üretmek için bir tahminleyici algoritma oluşturulmuştur. Derin öğrenme eğitim setlerinin boyutu, filtre sayısı ve interpolasyon performansı araştırılmıştır. Farklı kanat planformlarının basınç dağılımları üretilmiş ve karşılaştırılmıştır. Tezin çıktısı olarak, kanadın üst ve alt yüzeylerindeki statik basınç alanı, kodlayıcı-kod çözücü yapısındaki derin sinir ağları ile yüksek hassasiyette tahmin edilmiştir.
Özet (Çeviri)
This study aims to reduce the computational cost of high-fidelity transonic flow simulations to the level of empirical tools using Machine-Learning methods. Therefore, high-fidelity wing optimizations and aeroelastic analyses of fighter aircraft can be affordable even in the conceptual design phase. The characteristics of pressure distributions over the various wing geometries are investigated. Deep neural networks having encoder-decoder architectures are created to model the wing pressure variation along chord and spanwise directions. The deep learning training is applied at Mach 0.9, and the angle of attack ranges between 7 and 12 degrees. Wing planform figures and low-fidelity datasets are the inputs of the deep learning algorithm. The low-fidelity dataset is created with 2D airfoil pressure distributions. The aspect ratio, leading-edge sweep, and taper ratio are represented in the wing planform figure. The airfoil characteristics, angle of attack, and tip twist are integrated as the low-fidelity dataset. $\Delta C_{p}$ distribution between the high and low fidelity dataset is the output of the deep learning model. A predictor algorithm is created to generate the high-fidelity pressure distributions using $\Delta C_{p}$ predictions. The size of training inputs, the number of feature maps, and interpolation performances are investigated. Pressure variations of different wing planforms are generated and compared. As the output of the thesis, the static pressure field on the suction and pressure sides of a fighter wing are accurately predicted with deep neural networks which are created by an encoder-decoder algorithm.
Benzer Tezler
- Eksenel kompresörlerde oluk genişliği ve en-boy oranının aerodinamik performansa etkisinin HAD ile analizi
CFD-based analysis of casing groove width and aspect ratio effects on axial compressor aerodynamic performance
KEREM ÖZÇELİK
Yüksek Lisans
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LEVENT ALİ KAVURMACIOĞLU
- Rapid lift and drag prediction tool with multi-layer perceptron model for supercritical airfoils
Çok katmanlı algılayıcı ile eğitilmiş süperkritik kanatlar için hızlı tasarım aracı
CANER ATLI
Yüksek Lisans
İngilizce
2023
Havacılık ve Uzay MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN
DOÇ. DR. HANDE ALEMDAR
- Aeroacoustics and aerodynamics optimization with using machine learning algorithms
Makina öğrenmesi algoritması kullanılarak aerodinamik ve aeroakustik optimizasyon
SERHAD AYTAÇ
Doktora
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ZAFER
- Machine learning based DDOS attack detection for software-defined networks
Yazılım tanımlı ağlar için makine öğrenme esaslı DDOS attack algılama
DOUGLAS OMURO MAKORI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. SEÇKİN ARI
- Machine learning based anomaly detection technique for in-vehicle networks
Araç içi ağlar için makine öğrenmesi tabanlı anomali tespit tekniği
ARİF AKAR
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik MühendisliğiÇankaya ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KLAUS WERNER SCHMIDT