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: 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
- 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
- Hidroelektrik santrallerde makine öğrenmesi temelli anomali tespiti
Machine learning based anomaly detection in hydroelectric power plants
MEHMET AKİF BÜTÜNER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOŞALAY
- 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
2022
BiyomühendislikGebze Teknik ÜniversitesiBiyoinformatik Sistemler Biyolojisi Ana Bilim Dalı
PROF. DR. FATİH ERDOĞAN SEVİLGEN
- 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
2022
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLÇİN BÜYÜKÖZKAN FEYZİOĞLU
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ