Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi
Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces
- Tez No: 953633
- Danışmanlar: PROF. DR. MESUT GÜR
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 133
Özet
Bu çalışma kapsamında, endüstriyel cam ergitme fırınlarının işletme analizlerinde kullanılmak üzere makine öğrenmesi tabanlı indirgenmiş model geliştirilmiştir. Yüksek doğrulukta sonuçlar sağlayabilen hesaplamalı akışkanlar dinamiği (HAD) modelleri, yüksek hesaplama maliyetleri nedeniyle günlük operasyonlar için çoğu zaman uygun olmamaktadır. Bu soruna çözüm olarak geliştirilen indirgenmiş model yaklaşımı, temel işletme parametrelerine bağlı olarak akış ve sıcaklık alanlarını hızlı ve güvenilir biçimde tahmin etmeyi amaçlamaktadır. Çalışma iki evreden oluşmaktadır. İlk aşamada iki boyutlu bir indirgenmiş model geliştirilmiş ve bu model hem bir kavramsal ispat hem de metodolojik temel olarak kullanılmıştır. İki boyutlu HAD modeli, arkadan ateşlemeli rejeneratif bir cam fırınının ergitme tankının orta düzlemine karşılık gelecek şekilde ANSYS Fluent ile hazırlanmıştır. Modelde harman-cam ara yüzeyi, tabandan daldırılan elektrotlar ile oluşturulan Joule ısıtma etkisi ve ergitme ile arıtma bölgelerini ayıran bir baraj yer almaktadır. Modelin sınır koşulları, çekiş (giriş hızı), üst yüzey ısı akısı (yanma etkisi) ve elektrotlar arasındaki potansiyel fark olarak tanımlanmıştır. Bu üç parametrenin sistematik şekilde varyasyonu ile toplamda 27 adet parametrik HAD çözümü elde edilmiştir. Her çözümdeki sıcaklık, u-hızı ve v-hızı alanları 128×32 boyutlarında düzenli bir şekilde örneklenmiş ve 0 ile 1 arasında normalize edilmiştir. Elde edilen veri seti ile konvolüsyonel sinir ağlarından oluşan bir otokodlayıcı eğitilmiş ve yüksek boyutlu bu alan verileri, 128 boyutlu bir gizli uzaya indirgenmiştir. Bu gizli uzay ile işletme parametreleri arasındaki ilişkiyi kurmak üzere tam bağlantılı bir yardımcı sinir ağı eğitilmiştir. Yardımcı ağ ile eğitilmiş kod çözücü birleşerek bir üreteç model oluşturmuş ve yalnızca giriş parametreleri kullanılarak tam HAD alan çözümü tahmin edilebilir hale gelmiştir. Bu indirgenmiş model, interpolasyon ve ekstrapolasyon testleriyle değerlendirilmiş, ortalama mutlak hata değerleri %1'in altında kalmış, R² skoru tüm testlerde 0,99 olarak ölçülmüştür. V100 GPU ile yapılan tahminlerde her bir işletme noktası için tahmin süresi ise bir saniyenin altında kalmıştır. İndirgenmiş model ayrıca operasyonel amaçlı analizlerde de başarıyla uygulanmış; örneğin belirli termokupl konumlarında sıcaklık değişimleri ve farklı güç girdilerine karşılık gelen derinlik boyunca hız-sıcaklık profilleri elde edilmiştir. İki boyutlu indirgenmiş model, üç boyutlu uygulamaya geçişte kullanılacak mimari yapıların ve hiperparametre seçimlerinin belirlenmesinde kritik rol oynamıştır. İkinci aşamada, geliştirilen yapı daha karmaşık ve fiziksel olarak daha gerçekçi olan üç boyutlu modele uyarlanmıştır. Düz tabanlı bir cam banyosu geometrisi için oluşturulan üç boyutlu HAD modeli, ergimiş cam, refrakter yüzeyler ve harman giriş bölgesini kapsamaktadır. Model, 202.598 hücreden oluşmakta ve kütle, momentum ve enerji korunum denklemlerini çözülmektedir. Birim çekiş ve üst yapı maksimum sıcaklığı olmak üzere iki parametre tanımlanmış ve bu parametrelerin belirli bir aralıkta değişimiyle toplamda 121 adet HAD çözümü oluşturulmuştur. Ek olarak, parametre aralığı dışında kalan 8 adet test çözümü de ekstrapolasyon analizi için hazırlanmıştır. Her bir HAD çözümünde sıcaklık, u-hızı, v-hızı, w-hızı ve harman kütle oranı olmak üzere beş alan verisi mevcuttur. Bu veriler 128×64×16 boyutlarında düzenli şekilde örneklenmiş ve 128×64×16×5 boyutunda tensörler haline getirilmiştir. Derin bir üç boyutlu konvolüsyonel sinir ağlarından oluşan otokodlayıcı bu veri seti ile eğitilmiş, veri 512 boyutlu bir gizli uzaya indirgenmiştir. Yapı, filtre sayısı, çekirdek boyutu ve ağ derinliği gibi parametreler açısından optimize edilmiş ve en iyi model yaklaşık 1,6 milyon ağ parametresi içermiştir. Eğitim süreci A100 GPU üzerinde yaklaşık 220 dakikada tamamlanmıştır. Doğrulama veri seti için ortalama mutlak hata 1,16E-03 olarak hesaplanmıştır. Daha sonrasında, iki işletme parametresini bu gizli uzaya eşleyen iki katmanlı yardımcı bir sinir ağı (yaklaşık 17.000 parametre ile) eğitilmiştir. Önceden eğitilmiş kod çözücü ile birleştirilen bu yardımcı ağ, 3 boyutlu indirgenmiş modeli oluşturmuştur. Eğitim sırasında yalnızca yardımcı ağın parametreleri güncellenmiş, böylece kod çözücünün önceki tahmin yeteneği ve doğruluğu korunmuştur. Üç boyutlu indirgenmiş model, doğrulama veri setinde 2,20E-03 MAE değeriyle yüksek başarı göstermiştir. Ekstrapolasyon testlerinde doğruluk azalmış olsa da, MAE değeri 9,01E-03 seviyesini aşmamıştır. Ekstrapolasyon testlerinde hatalar özellikle harman-cam dönüşüm bölgeleri ya da çıkış yüzeyi gibi fiziksel karmaşıklığın yüksek olduğu bölgelerde belirginleşmiştir. Görsel olarak karşılaştırılan kontur grafiklerinde, tahmin edilen alanların fiziksel tutarlılığı korunmuş ancak hata seviyeleri lokal olarak yükselmiştir. Harman kütle oranı tahminlerine bağlı olarak hız ve sıcaklık alanlarına da sirayet eden hatalar görülmüştür. Ancak genel akış yapısı ve sıcaklık gradyenleri yakalanmıştır. Bu tez kapsamında geliştirilen iki ve üç boyutlu indirgenmiş modeller, veriye dayalı fırın modellemesinde yeni bir yaklaşım sunmaktadır. İki boyutlu modelin sağladığı temel üzerinde yükselen üç boyutlu model, fiziksel karmaşıklığı yüksek gerçek dünya uygulamaları için geçerli bir alternatif haline gelmiştir. Bu yaklaşımla geliştirilmiş indirgenmiş modellerin, yüksek hesaplama maliyetine sahip HAD çözümlerine karşı anlamlı ve ölçeklenebilir bir çözüm oluşturdukları görülmektedir. Tüm bunlara rağmen, veri temelli modellerin sınırlamaları da vardır. Modelin doğruluğu, yalnızca eğitim veri aralığı ile sınırlıdır. Parametre uzayının dışına çıkıldığında hatalar artmakta ve modelin yeniden eğitilmesi gerekebilmektedir. Ayrıca, ortalama karesel hata ve ortalama mutlak hata gibi istatistiksel kayıplar fiziksel tutarlılığı garanti etmemektedir. Bu nedenle, gelecek çalışmalarda fizik tabanlı sinir ağları gibi yöntemlerin değerlendirilmesi önerilmektedir. Bu tür yaklaşımlar, fiziksel denklemleri doğrudan kayıp fonksiyonuna entegre ederek hem genelleme kabiliyetini artırabilir hem de eğitim veri gereksinimini azaltabilir. Sonuç olarak, bu tezde gösterildiği üzere, HAD verisiyle eğitilmiş derin konvolüsyonel sinir ağlarından oluşan otokodlayıcı temelli indirgenmiş modeller, endüstriyel cam ergitme fırınlarının işletme analizinde hızlı, güvenilir ve ölçeklenebilir bir çözüm sunmaktadır. İki boyutlu yapıdan üç boyutlu yapıya geçiş süreci, yöntemin farklı düzeylerde başarıyla uygulanabileceğini ortaya koymuş; hızlı çözümler, süreç analizleri ve parametre taramaları için etkili birer araç haline gelmiştir. Geliştirilen bu modeller, yalnızca cam endüstrisinde değil, HAD'ın kullanıldığı birçok farklı endüstriyel uygulamada da yaygınlaştırılabilecek potansiyele sahiptir.
Özet (Çeviri)
This thesis presents a comprehensive study on the development and application of machine learning based reduced order models (ROMs) for the operational analysis of industrial glass melting furnaces, using parametric Computational Fluid Dynamics (CFD) simulations. Traditionally, CFD simulations, while accurate, are computationally intensive and often unsuitable for real-time operational decisions. To address this challenge, ROMs are proposed as an efficient alternative capable of producing rapid and reliable predictions of flow and temperature fields based on key operating parameters. The study is structured around two main modeling efforts. The first focuses on a two-dimensional (2D) reduced order model, which serves as both a proof of concept and a methodological foundation. A 2D CFD model of the melting tank cross-section of an end-fired glass furnace is developed using ANSYS Fluent, including the essential physics of the process including batch blanket interface, Joule heating through bottom-inserted electrodes, and flow separation via a weir. This model allows systematic variation of operating parameters such as inlet velocity (pull rate), top surface heat flux (representing combustion input), and electric potential difference (governing Joule heating), yielding 27 parametric CFD simulations. These simulations are converted into structured datasets of u-velocity, v-velocity, and temperature fields sampled over a 128×32 grid and normalized to a range between 0 and 1. The resulting data is used to train a convolutional autoencoder which compresses the high-dimensional CFD fields into a 128-dimensional latent representation and reconstructs them through a decoder. To link operational parameters directly to this latent space, an auxiliary fully-connected neural network is trained. The combination of the auxiliary network and the pre-trained decoder constitutes a generator model, capable of predicting full CFD-like field solutions from only a set of input parameters. This reducer order model (ROM) is evaluated through interpolation and extrapolation tests, where it demonstrates high accuracy with mean absolute errors below 1% and R² scores consistently at 0.99. ROM outputs are generated in under one second using a V100 GPU, highlighting its potential for real-time analysis. Furthermore, the 2D ROM is employed in several case studies, such as predicting temperature at thermocouple locations and evaluating the effects of combustion and electrical power on depth-wise flow and temperature profiles. These practical analyses confirm the ROM's ability to serve as a fast and accurate surrogate for CFD. Building upon the validated 2D approach, the study advances to a realistic three-dimensional (3D) modeling framework. A 3D CFD model of glass melting tank of a furnace is constructed to include molten glass, refractory walls, batch input zones, and heat transfer through both conduction and radiation. Radiative transfer within the glass is modeled using the Rosseland approximation, assuming the melt to be optically thick. The model domain consists of over 200,000 cells and solves mass, momentum, and energy equations. Two operating parameters are considered for variation: the specific pull rate and the peak temperature of the combustion atmosphere above the melt. These parameters are used to generate a set of 121 CFD solutions for training and validation, and an additional 8 cases for extrapolation testing. Each CFD solution includes temperature, the three components of velocity (u, v, w), and batch mass fraction fields. These are sampled on a uniform 128×64×16 grid and organized into tensors of shape 128×64×16×5. A deep 3D convolutional autoencoder is then trained to reduce this data into a 512-dimensional latent space. The architecture is optimized through extensive experimentation with filter sizes, kernel dimensions, and depth. The best-performing autoencoder has over 1.6 million trainable parameters and is trained on an NVIDIA A100 GPU, completing in about 220 minutes. The validation MAE of this autoencoder is 1.16E-03. A two-layer auxiliary dense network with approximately 17,000 parameters is trained to map the two operating parameters to the latent space. Combined with the decoder, this forms the 3D generator network and ther ROM. Only the auxiliary network is updated during this second training phase, preserving the integrity of the learned decoder. The 3D ROM performs well on the validation dataset, achieving an overall MAE of 2.20E-03 and R² scores above 0.99 in most cases. The extrapolation tests reveal that accuracy declines at the edges of the trained parameter space, with the MAE reaching 9.01E-03, particularly in regions of high non-linearity or complex physical interaction such as the batch-melt interface. Nevertheless, the predicted fields remain coherent and physically plausible. Visual comparisons of predicted and actual contour plots confirm that the ROM maintains internal consistency even under challenging conditions. While the batch mass fraction is the most sensitive to extrapolation and exhibits the largest localized errors, its influence on the velocity and temperature fields is generally contained. The ROM remains capable of capturing major flow structures and thermal gradients with reasonable precision. Together, the 2D and 3D ROM developments form a unified framework for data-driven modeling of complex glass furnace processes. The 2D ROM, with its simplicity and efficiency, serves as both a teaching model and a practical tool for rapid diagnostics. The 3D ROM expands this potential into realistic operational settings, providing a highly capable surrogate for computationally expensive CFD simulations. Despite these achievements, some limitations remain. The ROM's accuracy is inherently limited to the parameter space covered during training. Extrapolation introduces greater uncertainty and should be interpreted cautiously. Adapting the ROM to new operating ranges requires additional CFD simulations and retraining, which can be time-consuming. Additionally, current models rely solely on data-driven loss functions such as MSE and MAE, which may not always guarantee physical consistency. To overcome these issues, future work should consider incorporating physics-informed neural networks (PINNs), where governing equations like mass and energy conservation are included in the training loss. This would improve extrapolation robustness, reduce the need for large training datasets, and increase confidence in the physical validity of the outputs. PINN-based approaches may also enable hybrid methods that balance the speed of ROMs with the interpretability of traditional CFD. In conclusion, this thesis demonstrates that reduced order models based on convolutional neural networks and trained on CFD data offer a fast, scalable, and accurate approach for predicting key phenomena in industrial glass melting furnaces. From the initial 2D development to the more advanced 3D implementation, the study shows that ROMs can replicate detailed CFD results with a fraction of the computational cost. These models support real-time operational analysis, process optimization, and parameter exploration, and hold promise for broader applications in other domains where CFD is widely used but computationally intensive.
Benzer Tezler
- Ergitmeli yığma yöntemiyle üretim yapan 3D yazıcılarda çift filament süren ekstruder tasarımı
Double filament extruder design for 3D fused deposition modelling printer
KEMAL OKTAY
Yüksek Lisans
Türkçe
2015
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. VEDAT TEMİZ
- Gıda sektörü atık sularında renk oluşumuna sebep veren organik atıkların ileri oksidasyon yöntemleriyle arıtılabilirliği
Treatability of organic and colouring constituents of food industry waste water by advanced oxidation methods
ŞİRİN KÖROĞLU
Yüksek Lisans
Türkçe
2004
Çevre MühendisliğiGebze Yüksek Teknoloji EnstitüsüÇevre Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. CENGİZ YATMAZ
- Reaktif azo boyar madde sulu çözeltisinin elektrokimyasal ve fotokatalitik proseslerle seri arıtımının incelenmesi
Investigation of serial treatment of reactive azo dye aqueous solutions by electrochemical and photocatalytic processes
ZEYNEP ASLAN
Yüksek Lisans
Türkçe
2005
Çevre MühendisliğiGebze Yüksek Teknoloji EnstitüsüÇevre Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. CENGİZ YATMAZ
- Numerical investigation of the radiant heating performance of a continuous annealing furnace
Sürekli tavlama fırınının ışınımla ısınımı üzerine sayısal araştırma
GÖNENÇ CAN ALTUN
Yüksek Lisans
İngilizce
2021
Makine MühendisliğiÖzyeğin ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALTUĞ MELİK BAŞOL
- Ağızdan tedavi alan tip 2 diyabetes mellitus tanılı hastaların medikal tedaviye bağlılık düzeyleri ve tamamlayıcı alternatif tıp kullanım durumlarının değerlendirilmesi
Characterisation of medical treatment adherence levels and complementary alternative medicine use in adults with type 2 diabetes mellitus
CEMAL UYAN
Tıpta Uzmanlık
Türkçe
2019
Aile HekimliğiKocaeli ÜniversitesiAile Hekimliği Ana Bilim Dalı
PROF. DR. TUNCAY MÜGE ALVUR