A convolutional neural network methodology with a momentum-flux-based loss function for predicting aerodynamic flow around airfoils
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, MAKİNE MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: MUSTAFA MERT DENİZ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Özgür Uğraş Baran
Eş Danışman: Hande Alemdar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Uçak kanatları gibi kritik bileşenlerin seçimi, akış simülasyonlarıyla ilgili yüksek hesaplama maliyetleri nedeniyle zaman alıcı olabilir. Derin makine öğrenimi teknikleri, akış alanını, istenen parametreleri ve aerodinamik katsayıları önemli ölçüde daha düşük bir maliyetle tahmin edebilir. Ancak derin öğrenme tahmini genellikle akışı oluşturan fiziksel süreçleri göz ardı eder. Eğitilen senaryonun altında yatan fizik hakkında bilgi sahibi olan bir derin öğrenme ağının geliştirilebileceğini varsayalım. Bu durumda bu algoritma, nesnelerin etrafındaki akışı daha doğru bir şekilde tahmin edebilecek bir araç sunabilir. Bu fikri test etmek için bir kanat profili etrafındaki akışı içeren bir model problem önerilmiştir. Bu kanat profili üzerindeki kaldırma ve sürükleme kuvvetleri, kanat profili etrafındaki akış alanıyla birlikte geliştirilen modelin tahmin parametreleridir. Tahmin aracı olarak convolutional bir sinir ağı modeli geliştirilmiştir. Kayıp fonksiyonu, modelin doğruluğunu artırmak için momentum korunumu bazlı yeni bir kayıp fonksiyonu ile geliştirildi. Momentum korunumunun eklenmesi, uçağın etrafındaki kaldırma ve sürükleme tahminlerini önemli ölçüde artırır. Akış veritabanı sıkıştırılabilir CFD çalıştırmalarıyla hazırlandı. Doğruluğu geliştirmek için CFD çözücü ve kayıp fonksiyonu hesaplaması aynı akı fonksiyonunu kullanır. Eğitimden sonraki analizler, CFD hesaplamalarının zaman ve maliyetinden çok daha az bir sürede, basit kayıp fonksiyonlarına kıyasla daha iyi kaldırma ve sürükleme kuvveti tahminleri gösterdi.