Accelerating fluid flow optimization problems usingmachine learning
Makine öğrenimi yardımıyla akış problemlerinin hızlandırılması
- Tez No: 990933
- Danışmanlar: PROF. DR. HASAN UMUR AKAY, DR. SÜLEYMAN EMRE AK
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Francis türbini, Hesaplamalı akışkanlar dinamiği (HAD), Makine öğrenmesi, Optimizasyon, Optimizasyon modelleri, Francis turbine, Computational fluid dynamics (HAD), Machine learning, Optimization, Optimization models
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hesaplamalı Akışkanlar Dinamiği (HAD) analizleri tasarım iyileştirmelerinde vazgeçilmez olsa da her tasarım noktasında HAD çalışması yürütmek yüksek maliyet ve zaman gerektirir. Bu tezde, HAD tabanlı optimizasyon sürecine makine öğrenmesi (ML) tabanlı yaklaşım modelleri entegre edilerek akış problemlerinin çözüm süresini kısaltmak hedeflenmiştir. Çalışmada önce, literatürde kapsamlı deneysel verisi bulunan Francis-99 türbini için HAD doğrulama analizi yapılmıştır. Ardından türbinin çekiş borusu (draft tube) geometrisi üzerinde biçim optimizasyonu gerçekleştirilmiştir. Optimizasyon sırasında, geleneksel matematiksel yaklaşım modelleri ve farklı ML modelleri (ör. XGBoost, Yapay Sinir Ağları) aynı veri seti üzerinde eğitilerek basınç geri kazanım faktörü (Pressure Recovery Factor) ile performansları kıyaslanmıştır. Sonuçlar, ML modellerinin hâlihazırdaki matematiksel modellere benzer doğruluk sunarken tasarım uzayının taranmasında önemli zaman tasarrufu sağladığını göstermiştir. Ayrıca veri seti hacmi değiştirildiğinde ML yaklaşımlarının esnekliği ve genel başarımı incelenmiş, hangi koşullarda üstünlük sağladıkları ortaya konmuştur.
Özet (Çeviri)
Although Computational Fluid Dynamics (CFD) analyses are indispensable for design improvement, performing a CFD study at every design point entails significant cost and time. This thesis therefore seeks to accelerate the solution of flow problems by integrating machine-learning-based surrogate models into the CFD-driven optimization process. CFD validation study was carried out for the Francis-99 turbine, which features extensive experimental data in the literature. The turbine's draft-tube geometry was then subjected to shape optimization. During this process, conventional mathematical surrogate models and various ML models (e.g., XGBoost, Artificial Neural Networks) were trained on the same data set and their performances compared using the dimensionless Pressure Recovery Factor. The results show that ML models deliver accuracy comparable to existing mathematical models while providing substantial time savings in scanning the design space. Moreover, by varying the data-set size, the flexibility and overall effectiveness of the ML approaches were assessed, clarifying the conditions under which they outperform their traditional counterparts.
Benzer Tezler
- Tuzlu su desalinasyonunda yapay zeka kullanımı
Application of artificial intelligence in saltwater desalination
RABİYA KARALI TÜRKER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMANUR AYDINALP PENÇE
- Serbest yüzeyli türbülanslı akışlarda bot ve benzeri katı cisimlere etkiyen dinamik yüklerin analizi ve tayini
Analysis and determination of dynamic loads affecting boats and similar solid objects in free surface turbulent flows
CEMAL HASAN CAN AKSOY
Doktora
Türkçe
2025
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı
PROF. DR. ABDİ KÜKNER
- Gemi dalga direncinin kaynak-panel yöntemiyle sayısal hesabı
Calculation of ship wave resistance by the source panel method
ŞAKİR BAL
- Feasibility of different CFD methods and data-driven approaches for prediction of flow characteristics in various engineering applications.
Çeşitli mühendislik uygulamalarinda akiş karakteristiklerinin tahmini i̇çin farkli had yöntemlerinin ve veri odakli yaklaşimlarin uygulanabilirliği
MUHAMMED ALHASAN
Doktora
İngilizce
2026
Makine MühendisliğiÇukurova ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. BEŞİR ŞAHİN