Geri Dön

Makine öğrenimi tabanlı kanat profili üzerindeki aerodinamik kuvvetlerin tahmini ve şekil optimizasyonu modelinin geliştirilmesi

Machine learning based prediction of aerodynamic forces on wing profile and development of shape optimization model

PDF İndir

  1. Tez No: 931153
  2. Yazar: ABDULSAMET EKŞİ
  3. Danışmanlar: DOÇ. DR. SELÇUK SEVGEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 57

Özet

Aerodinamik katsayıların doğru tahmini, hava aracı tasarım süreçlerinde kritik bir rol oynamaktadır. Geleneksel Hesaplamalı Akışkanlar Dinamiği (HAD) yöntemleri yüksek doğruluk sağlamasına rağmen, yüksek hesaplama maliyetleri ve uzun simülasyon süreleri nedeniyle hızlı tasarım döngüleri için sınırlamalar oluşturmaktadır. Bu çalışmada, kanat profillerinin aerodinamik katsayılarını tahmin etmek amacıyla makine öğrenimi ve derin öğrenme tabanlı modeller geliştirilmiş ve performansları karşılaştırılmıştır. Veri seti, XFOIL yazılımı kullanılarak farklı Mach sayıları (0.3≤Mach≤0.7) ve hücum açıları (4°≤α≤14°) için elde edilen aerodinamik katsayılar ile oluşturulmuştur. Eğitim ve test veri setleri oluşturulurken, farklı kanat profillerinin genelleme başarısını değerlendirmek amacıyla veri seti, kanat profili NACA numaralarına göre ayrılmıştır. Eğitim veri setinde yer alan hiçbir kanat profili, test veri setinde yer almamakta; aynı şekilde test veri setinde bulunan profiller de eğitim sırasında kullanılmamaktadır. Bu yöntem, modelin bilinmeyen kanat profilleri için tahmin yapabilme yeteneğini değerlendirmeyi amaçlamaktadır. Tez kapsamında, Destek Vektör Makineleri (SVM), XGBoost, AdaBoost, Rassal Orman (Random Forest), Karar Ağacı (Decision Tree), Yapay Sinir Ağları (YSA) ve Evrişimsel Sinir Ağları (CNN) ile farklı makine öğrenimi modelleri test edilmiş; en yüksek doğruluk CNN ve YSA tarafından sağlanmıştır. Bununla birlikte XGBoost ve Rassal Orman, bazı aerodinamik katsayıların tahmininde derin öğrenme modellerine yakın performans göstermiş ve hızlı eğitim süreleri sayesinde alternatif bir yöntem olarak değerlendirilmiştir. Çalışmanın özgün katkılarından biri, en ideal kanat profili seçiminde yalnızca taşıma katsayısı/sürükleme katsayısı (CL/CD) oranına değil, aynı zamanda moment katsayısına (𝐶M) dayalı çok kriterli bir değerlendirme yaklaşımının önerilmesidir. Sunulan yöntem, aerodinamik verimlilik ve uçuş stabilitesini aynı anda değerlendiren bir optimizasyon metriği kullanmaktadır. Sonuçlar, modelin farklı Mach sayıları ve hücum açıları için eğitildiğinde, bilinmeyen kanat profillerinde başarılı tahminler yaptığını göstermektedir. Böylece, makine öğrenimi tabanlı modellerin hava aracı tasarım süreçlerinde alternatif ve hızlı bir tahmin yöntemi olarak kullanılabileceği ortaya konmuştur. Bu tez çalışması, makine öğrenimi ve derin öğrenme yaklaşımlarının aerodinamik analizlerde nasıl daha etkili kullanılabileceğini ortaya koyarak, veri odaklı tasarım süreçlerine katkı sağlamaktadır.

Özet (Çeviri)

The accurate prediction of aerodynamic coefficients plays a critical role in aircraft design processes. Although traditional Computational Fluid Dynamics (CFD) methods provide high accuracy, their high computational cost and long simulation times impose limitations on rapid design cycles. In this study, machine learning and deep learning-based models were developed and their performance was compared to predict aerodynamic coefficients of airfoil profiles. The dataset was generated using XFOIL software for different Mach numbers (0.3 ≤ Mach ≤ 0.7) and angles of attack (4° ≤ α ≤ 14°). To evaluate the generalization performance of different airfoil profiles, the dataset was split based on NACA airfoil numbers during the creation of training and test datasets. No airfoil geometry in the training dataset was included in the test dataset, and similarly, none of the airfoil geometries in the test dataset were used during training. This method aims to assess the model's ability to predict aerodynamic coefficients for previously unseen airfoil profiles. In this study, various machine learning models, including Support Vector Machines (SVM), XGBoost, AdaBoost, Random Forest, Decision Tree, Artificial Neural Networks (ANN), and Convolutional Neural Networks (CNN), were tested. The results indicate that CNN and ANN achieved the highest prediction accuracy. However, XGBoost and Random Forest demonstrated comparable performance to deep learning models in predicting certain aerodynamic coefficients and were considered viable alternatives due to their faster training times. One of the novel contributions of this study is the introduction of a multi-criteria evaluation approach for selecting the optimal airfoil profile, considering not only the lift-to-drag ratio (CL/CD) but also the moment coefficient (CM). The proposed method employs an optimization metric that simultaneously evaluates aerodynamic efficiency and flight stability. The results demonstrate that the trained model, developed for different Mach numbers and angles of attack, successfully predicts aerodynamic coefficients for previously unseen airfoil profiles. Thus, machine learning-based models have been identified as a viable and efficient alternative for aerodynamic coefficient estimation in aircraft design processes. This thesis contributes to the field by demonstrating how machine learning and deep learning approaches can be effectively utilized in aerodynamic analysis, thereby supporting data-driven design processes.

Benzer Tezler

  1. Tez No

    763905

    Age of information and unbiased federated learning in energy harvesting error-prone channels

    Hataya açık kanallar üzerinde enerji hasadı ile tarafsız federe öğrenme ve bilgi yaşı

    ZEYNEP ÇAKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF TUĞÇE CERAN ARSLAN

  2. Tez No

    967965

    Bankacılık sektöründe kredi riski ve türevleri

    Credit risk and derivatives in the banking sector

    GÜLESER KANAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    BankacılıkTokat Gaziosmanpaşa Üniversitesi

    Bankacılık ve Sigortacılık Ana Bilim Dalı

    DOÇ. DR. SERDAR BUDAK

  3. Tez No

    966100

    The role of machine learning in enhancing realism in unreal engine games

    Unreal engine oyunlarında gerçekçiliği artırmada makine öğrenmesinin rolü

    İBRAHİM BERK ADIGÜZEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAHI ABDU IBRAHIM

  4. Tez No

    946206

    Fracture mechanics on critical rotor component in turbojet engine

    Bir turbojet motorunda bulunan kritik rotor komponentinde kırılma mekaniği

    GÖRKEM TÜREN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Astronomi ve Uzay Bilimleriİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. HALİT SÜLEYMAN TÜRKMEN

  5. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

Geri Dön