Geri Dön

Machine learning based transonic flow computations on aircraft lifting surfaces

Uçak taşıma yüzeylerindeki transonik akışların makina öğrenimi ile hesaplanması

  1. Tez No: 876781
  2. Yazar: FAZIL SELÇUK GÖMEÇ
  3. Danışmanlar: DOÇ. DR. ÖZGÜR UĞRAŞ BARAN, DOÇ. DR. HANDE ALEMDAR
  4. Tez Türü: Doktora
  5. Konular: Makine Mühendisliği, Uçak Mühendisliği, Mechanical Engineering, Aeronautical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  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: 158

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

  1. 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

    İngilizce

    2023

    Havacılık ve Uzay MühendisliğiOrta Doğu Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZGÜR UĞRAŞ BARAN

    DOÇ. DR. HANDE ALEMDAR

  2. Hidroelektrik santrallerde makine öğrenmesi temelli anomali tespiti

    Machine learning based anomaly detection in hydroelectric power plants

    MEHMET AKİF BÜTÜNER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiAnkara Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İLHAN KOŞALAY

  3. Machine learning based model for clinical characterization of germline variants from RNA-seq data

    RNA-seq datasından germ hattı varyantların klinik karakterizasyonu için makine öğrenmesi tabanlı model

    ÖZGENUR AKDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    BiyomühendislikGebze Teknik Üniversitesi

    Biyoinformatik Sistemler Biyolojisi Ana Bilim Dalı

    PROF. DR. FATİH ERDOĞAN SEVİLGEN

  4. Machine learning based smart beehive monitoring system without Internet network

    İnternet ağı olmadan makine öğrenimi tabanlı akıllı arı kovanı izleme sistemi

    ESRA ECE VAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri MühendisliğiGalatasaray Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLÇİN BÜYÜKÖZKAN FEYZİOĞLU

  5. Machine learning based autonomous quality check and characteristics extraction for chip research

    Çip araştırmaları için makine öğrenmesi temelli otonom kalite kontrolü ve karakteristik parametre çıkarımı

    HÜSNÜ MURAT KOÇAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ