Graph neural networks on predicting aerodynamic flow fields around airfoils
Kanat kesitleri çevresindeki aerodinamik akış alanları tahmininde grafik sinir ağları
- Tez No: 897630
- Danışmanlar: DOÇ. DR. HANDE ALEMDAR, DOÇ. DR. ÖZGÜR UĞRAŞ BARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 88
Özet
Kanat kesitleri etrafındaki akış alanlarını elde etmek aerodinamik tasarımında önemli bir işlemdir. Gelişen teknolojiler ile ölçeklendirilmiş modellerle rüzgar tüneli deneyleri yerine sayısal analiz kullanarak herhangi bir ağ için tüm sürecin simüle edilmesi mümkün hale geldi. Fakat, akış alanlarının yüksek doğruluklu çözümlerinin hesaplanması önemli ölçüde daha güçlü donanımları ve hesaplama sürelerini gerektirmektedir. Derin öğrenme modelleri son yıllarda birçok alanda öne çıkan performans sergileyerek çok daha az çıkarım süresiyle tatmin edici tahminler sağlamıştır. Bu nedenle kanat kesiti tasarımı gibi daha az doğru ancak hızlı çözümlere ihtiyaç duyulan durumlarda sinir ağları simülasyonlar için iyi bir alternatiftir. Ancak, CNN veya RNN'ler gibi popüler mimariler doğal olarak bu görevler için uygun değiller. Bu yüzden bu tez kanat kesitleri etrafındaki akış alanlarını tahmin etmek için grafik sinir ağlarını kullanmayı amaçlamaktadır. Yakın transonik rejimlerde farklı hücum açılarına sahip çeşitli kanat kesitleri veri seti olarak kullanılmıştır. Bu tezde grafik sinir ağları ile ilgili üç çalışma yapılmıştır: (1) Yukarıda belirtilen veri seti kullanılarak farklı grafik sinir ağı mimarileri karşılaştırılmıştır, (2) kayıp fonksiyonunda farklı ağırlıklar kullanılarak eğitimde yüzey noktalarının önemi analiz edilmiştir, ve (3) önerilen bir ağdan bağımsız uyarlanabilir ağ iyileştirmesi, derin öğrenme metodolojisine entegre edilmiş ve nokta ve alan tabanlı kayıp hesaplamaları karşılaştırılmıştır. Çalışmalarımız, grafik sinir ağı mimarilerinin bu görevde benzer şekilde performans gösterdiğini ve yüzey noktalarının basınç alanı dışında tahmin performansını önemli ölçüde etkilemediğini bulmuştur. Üçüncü çalışmada, model performansını önemli ölçüde etkilemeden aynı sayıda eğitim yinelemelerinde yüksek değişim alanlarındaki nokta sayısının artırılabileceğini gösterdik. Ayrıca, alan tabanlı kayıp ve metrik hesaplamalarının akış alanı tahminlerinin dağılımının temsilinde daha iyi olduğunu belirttik.
Özet (Çeviri)
Obtaining flow fields around airfoils is an essential process in aerodynamics design. With advanced technologies, simulating the whole process for any given mesh became possible using numerical analysis rather than wind tunnel studies with scaled models. However, computing high-accuracy solutions for flow fields requires considerably more powerful hardware and computation time. Deep learning models have shown outstanding performances in many fields in recent years, providing satisfactory predictions with much less inference time. Therefore, neural networks are a good alternative for simulations in situations where less accurate but quick solutions are needed, such as airfoil design. However, popular architectures like CNNs or RNNs are naturally unsuitable for those tasks. Hence, this thesis aims to utilize graph neural networks to predict flow fields around airfoils. Various airfoils with different angles of attack in near transonic regimes have been used as the dataset. Three studies have been done regarding graph neural networks in this thesis: (1) Different graph neural network architectures have been compared using the abovementioned dataset, (2) the importance of the surface nodes in training has been analyzed using different weights in the loss function, and (3) a proposed mesh-independent adaptive mesh refinement has been integrated into a deep learning methodology and node and area-based loss calculations are compared. Our studies found that graph neural network architectures perform similarly in this task, and surface nodes do not significantly affect prediction performance except for the pressure field. In the third study, we showed that the number of nodes in high-gradient areas can be increased in the same number of epochs without affecting the model's performance significantly. Besides, we pointed out that area-based loss and metric calculations are better in the representation of the distribution of flow field predictions.
Benzer Tezler
- Financial asset price prediction with graph neural network-based temporal deep learning models
Çizge sinir ağı tabanlı zamansal derin öğrenme modelleri ile finansal varlık fiyat tahmini
YASİN UYGUN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Predicting disease-gene associations via machine learning
Makine öğrenmesi ile gen-hastalık ilişkisi tahmini
OSMAN ONUR KUZUCU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- Heterojen biyomedikal verinin bilgi çizgeleri ve derin öğrenme tabanlı analizi ile protein fonksiyonlarının otomatik tahmini
Automated prediction of protein functions with knowledge graph representations and deep learning-based analysis of heterogeneous biomedical data
ERVA ULUSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBiyoinformatik Ana Bilim Dalı (Disiplinlerarası)
DOÇ. DR. TUNCA DOĞAN
- Predicting the bandgap of hole-transport materials by deep learning
Derin öğrenme ile delik geçiş malzemelerinin bant aralığı tahmini
MİRAÇ AYDIN
Yüksek Lisans
İngilizce
2023
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ADEM TEKİN
- Relation prediction over biomedical knowledge bases for drugrepositioning
Başlık çevirisi yok
MEHMET GÖKHAN BAKAL