Aerodinamik yüzeyler için geometrik derin öğrenme tabanlı vekil modelleme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: İngilizce
Öğrenci: HAKAN ARI
Danışman: MURAT MANGUOĞLU, HANDE ALEMDAR
Özet:Aerodinamik tasarım süreçlerinde yüzey üzerindeki basınç, duvar kayma gerilmesi ve sıcaklık gibi fiziksel niceliklerin yüksek doğrulukla hesaplanması oldukça önemlidir. Veri Odaklı Derin Öğrenme yöntemleri tasarım döngülerini hızlandıran güçlü vekil modeller olarak öne çıkmaktadır. Hesaplamalı Akışkanlar Dinamiği (CFD) analizlerinde kullanılan çözüm ağları düğümlerin uzaysal koordinatlar taşıdığı ve kenarların fiziksel komşuluk ilişkilerini kodladığı geometrik ve ilişkisel bir yapıya sahiptir. Geometrik Derin Öğrenme (GDÖ) çerçevesi bu tür Öklid-dışı geometriler üzerinde çalışan mimarileri kapsamakta olup ağ tabanlı HAD vekil modellemesi için elverişli bir yaklaşım sunmaktadır. Bu tezde farklı aerodinamik yüzeyler üzerinde oluşan akış kaynaklı fiziksel niceliklerin tahminini gerçekleştiren GDÖ yöntemlerinin performansları incelenmiştir. Modellerin genelleme yeteneğini ölçmek adına farklı akış koşullarını içeren kapsamlı 2D ve 3D veri setleri oluşturulmuştur. Örgü tabanlı simülasyonların öğrenilmesi konusunda başarı gösteren MeshGraphNet mimarisi referans alınarak modelin ifade gücünü artırmak amacıyla uygulanan yapısal ve geometrik iyileştirmelerin etkisi incelenmiştir. Grafik sinir ağı (GNN) yapısından farklı bir ilişkisel paradigma olarak Transformer mimarisini fiziksel simülasyonlara uyarlayan Transolver modelinin performansı değerlendirilmiştir. Son olarak GNN yapısının yerel etkileşimleri öğrenme yeteneği ile Transformer yapısının bütünsel bağlamı kavrama kapasitesini birleştiren hibrit bir model mimarisi geliştirilmiştir. Modeller düğüm bazlı hata metrikleri, aerodinamik katsayı korelasyonları ve hesaplama hızları açısından karşılaştırmalı olarak incelenmiştir. Elde edilen sonuçlar Geometrik Derin Öğrenme yöntemlerinin aerodinamik yüzey dağılımlarını yüksek doğrulukla öğrendiğini ve önerilen hibrit mimarinin ve model geliştirmelerinin özellikle yüksek düğüm sayısı içeren 3D veri setlerinde model ifade gücünü artırarak tahmin hatasını belirgin oranda düşürdüğünü göstermektedir.