Graph neural networks on predicting aerodynamic flow fields around airfoils
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: SÜLEYMAN ONAT ÇELTİK
Asıl Danışman (Eş Danışmanlı Tezler İçin): Hande Alemdar
Eş Danışman: Özgür Uğraş Baran
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Kanat kesitleri etrafındaki akış alanlarını elde etmek aerodinamik tasarımında önemli bir işlemdir. Gelişen teknolojiler ile ölçeklendirilmiş modellerle rüzgar tüneli deneyleri yerine sayısal analiz kullanarak herhangi bir ağ için tüm sürecin simüle edilmesi mümkün hale geldi. Fakat, akış alanlarının yüksek doğruluklu çözümlerinin hesaplanması önemli ölçüde daha güçlü donanımları ve hesaplama sürelerini gerektirmektedir. Derin öğrenme modelleri son yıllarda birçok alanda öne çıkan performans sergileyerek çok daha az çıkarım süresiyle tatmin edici tahminler sağlamıştır. Bu nedenle kanat kesiti tasarımı gibi daha az doğru ancak hızlı çözümlere ihtiyaç duyulan durumlarda sinir ağları simülasyonlar için iyi bir alternatiftir. Ancak, CNN veya RNN'ler gibi popüler mimariler doğal olarak bu görevler için uygun değiller. Bu yüzden bu tez kanat kesitleri etrafındaki akış alanlarını tahmin etmek için grafik sinir ağlarını kullanmayı amaçlamaktadır. Yakın transonik rejimlerde farklı hücum açılarına sahip çeşitli kanat kesitleri veri seti olarak kullanılmıştır. Bu tezde grafik sinir ağları ile ilgili üç çalışma yapılmıştır: (1) Yukarıda belirtilen veri seti kullanılarak farklı grafik sinir ağı mimarileri karşılaştırılmıştır, (2) kayıp fonksiyonunda farklı ağırlıklar kullanılarak eğitimde yüzey noktalarının önemi analiz edilmiştir, ve (3) önerilen bir ağdan bağımsız uyarlanabilir ağ iyileştirmesi, derin öğrenme metodolojisine entegre edilmiş ve nokta ve alan tabanlı kayıp hesaplamaları karşılaştırılmıştır. Çalışmalarımız, grafik sinir ağı mimarilerinin bu görevde benzer şekilde performans gösterdiğini ve yüzey noktalarının basınç alanı dışında tahmin performansını önemli ölçüde etkilemediğini bulmuştur. Üçüncü çalışmada, model performansını önemli ölçüde etkilemeden aynı sayıda eğitim yinelemelerinde yüksek değişim alanlarındaki nokta sayısının artırılabileceğini gösterdik. Ayrıca, alan tabanlı kayıp ve metrik hesaplamalarının akış alanı tahminlerinin dağılımının temsilinde daha iyi olduğunu belirttik.