Geri Dön

A deep neural network methods to predict aeroelastic responses of a shape memory alloy hysteretic springs based typical airfoil section

Şekil hafıza alaşımlı histeretik yay içeren tipik bir kanat kesitinin aeroelastik tepkilerinin tahmini için derin sinir ağı yöntemleri

PDF İndir

  1. Tez No: 974193
  2. Yazar: OSMAN DAĞLI
  3. Danışmanlar: PROF. DR. METİN ORHAN KAYA
  4. Tez Türü: Doktora
  5. Konular: Uçak Mühendisliği, Havacılık ve Uzay Mühendisliği, Aeronautical Engineering, Aeronautical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Uçak ve Uzay Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Uçak ve Uzay Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Aeroelastisite alanındaki en tehlikeli fiziksel fenomen, aerodinamik, yapısal ve atalet kuvvetlerinin etkileşimi sonucu ortaya çıkan ve aerodinaminin kontrolsüz bir şekilde giderek artan salınımlarına yol açan dinamik bir kararsızlık olan (flutter) çırpınmadır. Bu fenomen, yıkıcı yapısal arızalara ve uçaklarda şiddetli hasarlara neden olur. Şekil hafızalı alaşımlar, şekil değişikliklerini faydalı bir düzeyde geri kazanma yeteneğine sahip özel malzemelerdir. Temel olarak, şekil hafızalı alaşımlar bazı yüklemeler nedeniyle oluşan deforme olmuş şekli orijinal durumuna döndürebilirler. Bu özellik, enerji dağılımı ve pasif titreşim kontrolü sağlar. Bu tezin temel fikri, doğrusal çelik yayın şekil hafızalı alaşım yayı ile değiştirilmesi yoluyla, 2 ve 3 serbestlik dereceli, iki boyutlu aeroelastik aerodinamik profil kesitinin modellenmesi, sayısal analizi, karşılaştırılması, doğrulanması ve etkilerinin gözlemlenmesini sunmaktır. Asıl amaç, şekil hafızalı alaşımın süperelastik histerezisinin bir uçak kanadı kesitinin aeroelastik davranışları üzerindeki etkilerini farklı yapay sinir ağları (artificial neural networks) yöntemleriyle incelemek ve tahmin etmektir. Bu tez, 3 vakayı kapsamaktadır: şekil hafızalı alaşım entegre edilmiş tipik aeroelastik aerodinamik profil kesiti ile aeroelastik analiz, 2 serbestlik dereceli iki boyutlu şekil hafızalı alaşım entegre edilmiş tipik aeroelastik aerodinamik profil modelinin uzun kısa vadeli bellek (long short-term memory) ağ modeli ile aeroelastik tepki tahmini ve 3 serbestlik dereceli iki boyutlu tipik aeroelastik aerodinamik profil modelinin ileri beslemeli sinir ağı (feed-forward neural network) ağ modeli ile aeroelastik tepki tahmini. Şekil hafızalı alaşımlar, diğer malzemelerin aksine, genellikle süperelastisite ve şekil hafıza etkisi (shape memory effect) olarak adlandırılan özel doğrusal olmayan özellikler sergilerler. Bu özellik, şekil hafızalı alaşıma belirli termal ve mekanik yüklemeler altında faz dönüşümünün bir sonucu olarak ortaya çıkar ve bu dönüşüm süreci, doğrulanmış ve uygulanabilir bir model ile tanımlanır. Esasen, şekil hafızalı alaşımlar uygulanan bazı yüklerden kaynaklanan deforme olmuş şekillerini orijinal şekillerine döndürme yeteneğine sahiptir. Bu doğal özellik, enerji dağılımı ve pasif titreşim kontrolü için mekanizmalar sağlar. Bu bağlamda, şekil hafızalı alaşımların süperelastik özellikleri, uçak kanatlarında meydana gelebilecek tehlikeli düzeydeki salınımları azaltmak için potansiyel sunar. Bu tür salınımların üretebileceği önemli enerjiyi emerek, çırpınma başlangıcı potansiyel olarak geciktirilebilir veya kararsız salınımlar sınırlı limit çevrim salınımlarına (limit cycle oscillation) dönüştürülebilir. İlk vaka, doğrusal bir 2 serbestlik dereceli iki boyutlu aeroelastik aerodinamik profil kesitinin hareket denklemlerine bir şekil hafızalı alaşım yayının dahil edilmesinin etkisini araştırmaktadır. Ayrıca, aerodinamik yükleri tanımlamak amacıyla kararsız bir aerodinamik model kullanılmıştır. Hareket denklemlerinin çözümünü kolaylaştırmak için tam aeroelastik model durum-uzay formunda formüle edilmiştir. Klasik sayısal integrasyon şemaları uygulanmış ve tam sistemi çözmek için özellikle dördüncü dereceden Runge-Kutta yöntemi seçilmiştir. Başlangıçta, üstün tepki özellikleri, mükemmel yapısal özellikleri ve uygun işlenebilirliği nedeniyle, nikel-titanyum (NiTi) alaşımı (yaygın olarak nitinol olarak bilinir) bu çalışmada kullanılacak şekil hafızalı alaşım malzemesi olarak seçilmiştir. Bu malzeme, standart aeroelastik kesit modeli içindeki doğrusal çelik yayların yerini alacak şekilde tasarlanmış helezon yaylar olarak modellenmiştir. Daha sonra, yönetim denklemleri hem çelik hem de şekil hafızalı alaşım yayları için çözülmüş ve böylece bunların tepkileri doğrudan karşılaştırılabilmiştir. İkinci olarak, şekil hafızalı alaşım yayının doğal sönümleme özelliklerini ortaya çıkarmak için dış yükler uygulanmıştır. Bunu takiben, NiTi şekil hafızalı alaşım yayını içeren aeroelastik sistemin çırpınma ve çırpınma-sonrası davranışları, doğrusal olmayan etkilerini değerlendirmek üzere analiz edilmiştir. Ortaya çıkan sonuçlar daha sonra tutarlılığı değerlendirmek amacıyla önceki çalışmaların bulgularıyla karşılaştırılmıştır. Sayısal sonuçlar, şekil hafızalı alaşım yaylarının sergilediği süperelastik histerezisin, kararsız, büyüyen salınımları bastırmak için etkin bir şekilde kullanıldığını göstermektedir. Bu, bir dizi farklı hava akış hızında kabul edilebilir limit çevrim salınımlarının oluşmasıyla sonuçlanmıştır. İkinci vaka, yapay zekanın, özellikle sinir ağı modellerinin uygulamasının son zamanlarda çeşitli akademik ve endüstriyel alanlara yayıldığını kabul etmektedir. Bu tez, pahalı hesaplamalı ve deneysel tekniklerden kaçınırken aeroelastik fenomenleri araştırmak ve çırpınma hızlarını tahmin etmek için bu algoritmalardan, özellikle yapay sinir ağlarından yararlanmaktadır. Temel yaklaşım, yapay sinir ağları içinde birden fazla katman yapılandırarak gerçekleştirilen, aeroelastik sistemlerde doğal olarak bulunan karmaşıklıkları yönetmek için bir yapay sinir ağları algoritması kullanır. Bu katmanlı mimari, ağın nöronlarının çeşitli uçuş verilerini etkin bir şekilde yorumlamasını sağlar. Çalışma, farklı kanat parametreleri genelinde aeroelastik çırpınma hızlarını kapsayan kapsamlı bir veri seti oluşturmak için durum-uzay gösterimini Theodorsen'in kararsız aerodinamik teorisi ile entegre eder. Bu çırpınma hızlarını tahmin etmek için, sigmoid aktivasyon fonksiyonlarına sahip gizli nöronlar ve doğrusal bir çıktı nöronundan oluşan, yapay sinir ağları metodolojisinin belirli bir uygulaması olan bir ileri beslemeli sinir ağı modeli tanımlanan koşullar için önerilmiştir. Önerilen ileri beslemeli sinir ağı modeli, deneysel bulgularla uyumlu olarak, çırpınma hızlarını tahmin etmede 0.92 regresyon değeri elde etmiştir. Sunulduğu gibi, önerilen ileri beslemeli sinir ağı modeli başarılıdır ve çırpınma hız tahmini için etkin bir şekilde kullanılabilir. İleri beslemeli sinir ağı yapısından elde edilen sonuçlar, literatürdeki önceki aeroelastik çırpınma hız analizi çalışmalarıyla karşılaştırılarak doğrulanmıştır. Nihayetinde, bulgular, bu çalışmada geliştirilen ileri beslemeli sinir ağı modelinin, kararsız aerodinamik teori ile modellenmiş aeroelastik yapılardan elde edilen sayısal sonuçlarla tutarlı olarak çırpınma hızlarını tahmin etmede yüksek doğruluk sağladığını doğrulamaktadır. Üstelik, tahmin edilen çırpınma hızlarının doğruluğu, yakın gelecekte pahalı deneysel testlere başvurmadan veya yüksek hesaplama maliyetleri olmadan bu tür analizlerin yürütülebilirliğini göstermektedir. Üçüncü vaka, bu çalışmada şekil hafızalı alaşım yaylarıyla modellenmiş 2B tipik bir aerodinamik profil kesitinde derin sinir ağları (DNN) kullanılarak aeroelastik tepkilerin ve limit çevrim salınımlarının tahmin edilmesi için yeni bir yaklaşım sunmaktadır. Şekil hafızalı alaşımlar, özellikle yapısal stabiliteyi artırmada olmak üzere aeroelastik sistemlerde giderek daha fazla uygulama bulmaktadır. Bu, kristal yapı faz dönüşümlerinden kaynaklanan, aeroelastik titreşim enerjisini emme ve kararsızlıkları kabul edilebilir ve kararlı limit çevrim salınımlarına dönüştürme benzersiz yeteneklerine atfedilir. Bu dönüşüm, malzemenin belirli yük ve sıcaklık koşulları altında deformasyona uğramasına ve ardından orijinal deforme olmamış şekline dönmesine olanak tanıyan şekil hafızalı alaşımların psödoelastik (süperelastik) özelliklerinden yararlanır. Bu tersinir süreç, karakteristik bir histerezis döngüsü oluşturarak aeroelastik kararsızlıkların pasif kontrolü için bir mekanizma sağlar. Uzun kısa vadeli bellek mimarisi, bir DNN alt türü olarak, şekil hafızalı alaşım tabanlı aerodinamiğin aeroelastik davranışı içindeki uzun vadeli zamansal bağımlılıkları etkin bir şekilde yakalamak ve bu karmaşık doğrusal olmayan tepkilerin doğru tahmin edilmesini sağlamak için uygulanmıştır. Uzun kısa vadeli belleğin genişletilmiş diziler boyunca bilgiyi koruma yeteneği, onu zaman bağımlı verileri analiz etme ve zaman serisi tahmini için özellikle uygun kılar. Uzun kısa vadeli bellek ağı, kararsız aerodinamik ve şekil hafızalı alaşım yay modellerine dayanan sayısal aeroelastik simülasyonlardan türetilen veriler kullanılarak eğitilmiştir. Sonuçlar, DNN modelinin, çeşitli ön yüklenmiş Nitinol (NiTi) şekil hafızalı alaşım özellikleri koşullarında limit çevrim salınımlarının başlangıcını, genliğini ve frekansını tahmin etmedeki yüksek doğruluğunu göstermektedir. Bu, şekil hafızalı alaşım bileşenleri içeren aeroelastik sistemlerin tasarımı ve pasif kontrolü için değerli çıktılar sağlar. Bu vaka için, çırpınma hızı 11.6 m/s olarak belirlenmiştir. Önemli bir şekilde, çırpınma rejimi içindeki tepkiler, NiTi şekil hafızalı alaşım yayına 2 N ön yük uygulanarak süperelastik etki yoluyla etkili bir şekilde sönümlenmiş ve limit çevrim salınımlarına dönüştürülmüştür. Sonuçlar, 0.97 kök ortalama kare hatası (RMSE) ile kanıtlandığı üzere yüksek doğrulukta tahminler gösterir. Model hem çırpınma hem de çırpınma-sonrası rejimlerin tahmin ve öngörü eğilimlerini tam olarak yakalar. Sonuç olarak, bu DNN tabanlı metodoloji, geleneksel analiz ve deneysel test tekniklerine hesaplama açısından verimli bir alternatif sunarak şekil hafızalı alaşım bileşenlerini kullanan aeroelastik sistemler için tahmin yeteneklerini önemli ölçüde ilerletir. Ayrıca, bu umut verici model, fiziksel testlere veya önemli hesaplama harcamalarına gerek kalmadan gelecekte verimli tahmin yapma potansiyeline işaret etmektedir.

Özet (Çeviri)

The main dangerous phenomenon in aeroelasticity exists as flutter which occurs through the combined forces of aerodynamic, structural, and inertial leading to uncontrollable airfoil oscillations. The phenomenon results in catastrophic structural collapses alongside the severe destruction of aircraft structures. Shape memory alloys (SMA) possess a unique property which allows them to retrieve their original shape from beneficial deformed states. The material properties of SMAs enable them to reverse the deformed forms that result from external loadings to their initial state. The unique property enables both energy dissipation and passive vibration control. The main objective of this research involves modeling and numerical analysis along with verification of the effects on two and three degrees of freedom (DOF) two-dimensional (2D) aeroelastic airfoil sections through replacing linear steel springs with SMA springs. The primary goal focuses on studying and forecasting how superelastic hysteresis in SMA affects aircraft wing section aeroelastic behavior using deep neural network (DNN) methods. The research investigates three scenarios that include aeroelastic analysis of SMA integrated typical airfoil sections and two cases of aeroelastic response prediction through long short-term memory (LSTM) and feedforward neural network (FFNN) network models for 2 DOF 2D SMA integrated aeroelastic typical airfoil models and 3 DOF 2D aeroelastic typical airfoil models, respectively. The unique nonlinear characteristics of SMAs distinguish them from other materials which scientists call superelasticity and the shape memory effect (SME). The phase transformation that occurs during specific thermal and mechanical loadings to the SMA leads to this property because it uses an approved model for validation. SMAs demonstrate the ability to return their shape to its original form after undergoing various loads. This property allows for energy dissipation and passive vibration control. The superelastic properties of SMAs function as a tool to reduce harmful wing oscillations that could occur during flight. The high energy absorption capabilities of oscillations delay flutter formation while transforming it into limit cycle oscillations (LCO). The research explores how the SMA spring affects the equation of motion for a 2 DOF 2D linear aeroelastic airfoil section. The unsteady aerodynamic model served to establish aerodynamic loads during this investigation. The state-space form of the complete model enabled the solution of the equation of motion, where the fourth-order Runge-Kutta method served as the chosen integration scheme for the complete model. The SMA material selected for this research utilized the nickel-titanium (NiTi) alloy because it provides the best response and excellent structural and workability properties. The researchers transformed the NiTi alloy into helical spring form to replace traditional linear steel springs in standard aeroelastic configurations. The solution process continues for both spring types before researchers compare their linear steel spring and SMA spring responses. External loads were applied to the SMA spring to demonstrate its natural damping characteristics. The research later investigates how the NiTi SMA spring exhibits nonlinear behavior through its analysis of flutter and post-flutter behaviors in the aeroelastic system. The results obtained undergo comparative analysis to verify their consistency with existing research findings. The numerical results demonstrated that SMA springs with their superelastic hysteresis properties successfully controlled unstable growing oscillations by producing acceptable LCOs at various airflow speeds. The application of artificial intelligence (AI) through neural network models has become widespread across academic and industrial research fields during recent years. This research investigates aeroelastic phenomena while predicting flutter speeds through DNN algorithms without requiring costly experimental or computational methods. The DNN algorithm serves as a fundamental method for dealing with the complexities of aeroelastic systems through multiple layers of the network. Flight data is interpreted through this structured network design from neurons. The research uses state-space models and Theodorsen's unsteady aerodynamic theory to build a complete database of flutter speed variations with different wing configurations. An FFNN model based on neural network with sigmoid hidden neurons and linear output neuron has been proposed to forecast the flutter speeds for the conditions mentioned above. The proposed model obtained a regression value of 0.92 for flutter speeds based on experimental findings. The suggested FFNN model demonstrates a successful performance that makes it suitable for flutter speed estimation predictions. The proposed FFNN structure maintains consistency with previous research on aeroelastic flutter speed analysis reported in the literature. The research reveals that the FFNN model developed in this study achieves high accuracy in predicting flutter speeds based on numerical aeroelastic structure results from unsteady aerodynamic theory. The correct prediction of the flutter speeds indicates that future analysis will become possible through tests without requiring costly equipment or extensive computational power. The study presents an innovative method to predict aeroelastic responses and LCO through DNN for a typical 2D airfoil section with SMA springs. The unique capacity of SMAs to convert aeroelastic vibrations into stable LCO through crystal structure phase transformation makes them suitable for enhancing structural stability in aeroelastic applications. The material transforms its pseudoelastic properties to deform under specific load and temperature conditions before returning to its original state. The hysteresis loop results from this process enables passive control of aeroelastic instabilities. The LSTM architecture enables the prediction of complex nonlinear aeroelastic responses from SMA-based airfoils by capturing long-term dependencies in their behavior. DNN models with an LSTM architecture serve as subtypes that enable the model to retain past information, enhancing its ability to make accurate predictions across prolonged time sequences. Time-dependent data and time series prediction require this particular architecture as its most suitable choice. The LSTM network learns from data obtained from numerical aeroelastic simulations that include unsteady aerodynamics with SMA springs. The DNN model demonstrates exceptional accuracy in predicting LCO onset and amplitude and frequency for various preloaded Nitinol or NiTi SMA properties which leads to successful outcomes for passive control and design of aeroelastic systems. The calculated flutter speed reaches 11.6 m/s while the superelastic effect above the preload 2 N applied to the NiTi SMA spring leads to LCO responses from the flutter regime. The results show that the prediction accuracy is high with a root mean square error (RMSE) of 0.97. The predictions and forecast trends for the flutter and post-flutter regime are precise. The DNN-based method provides a fast computational solution to traditional analysis and testing methods, which enhances predictive capabilities in aeroelastic systems containing SMA components. The promising model demonstrates its ability to perform efficient future forecasting without requiring testing or computational expenses.

Benzer Tezler

  1. Tez No

    737877

    Modeling educational data with machine learning methods

    Eğitim verilerinin makine oğrenmesi algoritmaları kullanılarak modellenmesi

    AYŞE İLKNUR DİLEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür Üniversitesi

    Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET FATİH UÇAR

  2. Tez No

    742784

    Derin tekrarlayan sinir ağı yöntemleri ile Erzurum Biyolojik Atıksu Arıtma Tesisinin performans tahmini

    Performance forecasting of biological wastewater treatment plant using deep recurrent neural network methods

    SIRRI BALLİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY

  3. Tez No

    1005922

    Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli

    Image processing and machine learning artificial intelligence model based on a clear cell likelihood score to predict preoperative benign-malignant differentiation and subtyping in patients with solid renal masses

    ÖZGÜR DENİZ TATAROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    ÜrolojiSağlık Bilimleri Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. AKİF ERBİN

    DOÇ. DR. AYTÜL HANDE YARDIMCI

  4. Tez No

    905217

    Comparison of artificial neural networks and deep learning methods for predicting export prices of agricultural products

    Tarım ürünlerinin ihracat fiyatlarının tahminlenmesinde yapay sinir ağları ve derin öğrenme yöntemlerinin karşılaştırılması

    HALİT AHMET AKDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YALÇIN ÇEBİ

  5. Tez No

    935781

    Rastgele orman algoritması destekli hibrit derin sinir ağları kullanarak yarış lastiklerinde dikey kuvvet tahmin sistemi geliştirilmesi

    Development of a vertical force prediction system for racing tires using random forest algorithm supported hybrid deep neural networks

    SEMİH ÖNGİR

    Doktora

    Türkçe

    Türkçe

    2025

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

Geri Dön