Αποδοτική μείωση τάξης 3-D μοντέλου χημικής απόθεσης από ατμό με τη μέθοδο κυρίων συνιστωσών και τεχνητά νευρωνικά δίκτυα

Αλκιβιάδης, Σκουτέρης; Alkiviadis, Skouteris

dc.contributor.author	Αλκιβιάδης, Σκουτέρης	el
dc.contributor.author	Alkiviadis, Skouteris	en
dc.date.accessioned	2018-05-10T09:59:18Z
dc.date.available	2018-05-10T09:59:18Z
dc.date.issued	2018-05-10
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46927
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15373
dc.rights	Default License
dc.subject	Χημική απόθεση από ατμό	el
dc.subject	Υπολογιστική ρευστοδυναμική	el
dc.subject	Μείωση τάξης μοντέλου	el
dc.subject	Ανάλυση κυρίων συνιστωσών	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Παράλληλος προγραμματισμός	el
dc.subject	Παρεμβολή	el
dc.subject	Chemical vapor deposition (CVD)	en
dc.subject	Computational fluid dynamics (CFD)	en
dc.subject	Model order reduction (ROM)	en
dc.subject	Principal component analysis (PCA) – Proper orthogonal decomposition (POD)	en
dc.subject	Artificial neural networks	en
dc.subject	Parallel programming	en
dc.subject	Interpolation	en
dc.title	Αποδοτική μείωση τάξης 3-D μοντέλου χημικής απόθεσης από ατμό με τη μέθοδο κυρίων συνιστωσών και τεχνητά νευρωνικά δίκτυα	el
dc.title	Effective order reduction of a 3-D chemical vapor deposition model by using principal components analysis and artificial neural networks	en
heal.type	bachelorThesis
heal.classification	Χημική τεχνολογία και μηχανική	el
heal.classification	Υπολογιστική χημεία	el
heal.classification	Αριθμητική προσέγγιση και υπολογιστική γεωμετρία	el
heal.classification	Chemical engineering	en
heal.classification	Computational methods in fluid dynamics	en
heal.classificationURI	http://data.seab.gr/concepts/26ef8a85171bd6096109bf5b78a055756bca69b8
heal.classificationURI	http://data.seab.gr/concepts/f50ad4b72cddd6bda0ddf3192c7c93e85555838e
heal.classificationURI	http://data.seab.gr/concepts/2292a395343ba1e33b5f2481d81491fd7b078866
heal.classificationURI	http://zbw.eu/stw/descriptor/18429-5
heal.classificationURI	http://data.seab.gr/concepts/e6ab3f6b562030c0c8396c8ff25de47e482748f3
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-02-23
heal.abstract	Στη παρούσα εργασία αναπτύχθηκε ένα υπολογιστικό πλαίσιο αποδοτικής και αποτελεσματικής αντιμετώπισης τρι-διάστατων (3-D) CFD μοντέλων μεγάλης κλίμακας που περιγράφουν, στη συγκεκριμένη εφαρμογή αλλά όχι αποκλειστικά, Χημική Απόθεση από Ατμό (ΧΑΑ). Οι μη γραμμικές εξισώσεις που εκφράζουν τα φαινόμενα μεταφοράς και τις κινητικές των αντιδράσεων που λαμβάνουν χώρα στον αντιδραστήρα, διακριτοποιούνται με τη Μέθοδο Πεπερασμένων Όγκων και επιλύονται από τον κώδικα υπολογιστικής ρευστοδυναμικής ANSYS/Fluent 17. Το μέγεθος του μοντέλου που προκύπτει καθιστά την υπολογιστική του μελέτη χρονοβόρα. Επιπλέον, η ανάγκη εισαγωγής στρατηγικών ρύθμισης και βελτιστοποίησης σε πραγματικό χρόνο συνεισφέρουν στην ιδέα ανάπτυξης ενός αλγορίθμου «παράκαμψης». Κύρια ιδέα της εργασίας αποτελεί η ανάπτυξη μοντέλου μειωμένης τάξης (ROM) από τα αποτελέσματα προσομοιώσεων του λεπτομερούς μοντέλου, στόχος που πραγματοποιείται με τη συνδυασμένη χρήση της Μεθόδου των Στιγμιοτύπων -η οποία αποτελεί παραλλαγή της γενικότερης Ανάλυσης Κυρίων Συνιστωσών (PCA)- και Τεχνητών Νευρωνικών Δικτύων (ANN), δηλαδή υπολογιστικών αλγορίθμων μηχανικής μάθησης. Από την πρώτη προσδιορίζεται η ορθοκανονική βάση που περιέχει τη χωρική εξάρτηση της λύσης, ενώ από τα ANN υπολογίζονται οι συντελεστές της βάσης, οι οποίοι περιέχουν τη δυναμική του συστήματος. Το ROM αυτό είναι ικανό να προβλέψει τη δυναμική απόκριση του συστήματος με πολύ μικρό σφάλμα και σε πολύ μικρό χρόνο. Τα αναγκαία αποτελέσματα που προαναφέρθηκαν λαμβάνονται από την παράλληλη επίλυση του λεπτομερούς μοντέλου σε μεταβατική κατάσταση, οπότε απαιτείται η ανάπτυξη παράλληλου κώδικα για την διαχείριση αυτών των δεδομένων μεγάλης κλίμακας. Επιπλέον, επιστρατεύεται και η τεχνική της παρεμβολής με σκοπό την εμφύτευση λύσεων αραιού πλέγματος σε πυκνό πλέγμα ως αρχική εκτίμηση, κάτι που μειώνει κατά πολύ τον απαιτούμενο χρόνο, τόσο για τη δημιουργία του ROM, όσο και για τη μετέπειτα προσομοίωση του. Ο προσδιορισμός του ελάχιστου απαραίτητου πλήθους στιγμιοτύπων από τα οποία δημιουργείται η βάση αλλά και ο αναγκαίος ελάχιστος αριθμός ιδιοδιανυσμάτων που αυτή περιέχει πραγματοποιήθηκε μέσω διερεύνησης. Η επιλογή των βέλτιστων αυτών παραμέτρων πραγματοποιήθηκε με γνώμονα το σφάλμα της προσέγγισης σε συνδυασμό με τον «όγκο» της απαιτούμενης πληροφορίας. Έτσι, προέκυψε ότι μια βάση που αποτελείται από 2 διανύσματα και έχει δημιουργηθεί από τα στιγμιότυπα της απόκρισης του λεπτομερούς μοντέλου σε 4 βηματικές επιβολές είναι ικανή να προβλέψει λύσεις με πολύ μικρό σφάλμα (6.2410-3 % μέσο σφάλμα). Οι σχεδιαστικές παράμετροι των ANN προσδιορίστηκαν επίσης με αντίστοιχη διερεύνηση, από την οποία προέκυψε ότι ένα NARX δίκτυο ενός κρυφού επιπέδου, το οποίο περιέχει 5 νευρώνες, είναι ικανό να προβλέψει λύσεις με πολύ μικρό σφάλμα (1.87*10-2 % μέσο σφάλμα). Άλλοι σχεδιαστικοί παράμετροι του δικτύου είναι ο αριθμός των καθυστερήσεων εισόδου και εξόδου, όπου και για τις δύο επιλέχθηκε μία καθυστέρηση, ο αλγόριθμος εκπαίδευσης (Μπεϋζιανή Κανονικοποίηση) και το πλήθος των επιβολών εκπαίδευσης, όπου χρησιμοποιήθηκαν 7 επιβολές. Τα υπολογιστικά οφέλη που συνοδεύουν τη χρήση αυτού του πλαισίου είναι πολύ σημαντικά, καθώς προκύπτει 96% μείωση στον CPU χρόνο για τη λήψη λύσης από το ROM και παρεμβολή της στο πυκνό πλέγμα με σκοπό την αριστοποίηση της, συγκριτικά με την απευθείας παράλληλη επίλυση του λεπτομερούς μοντέλου χωρίς αντιδράσεις. Επιπλέον, προκύπτει 60% μείωση στον CPU χρόνο για τη λήψη λύσης από το ROM και χρήση της ως αρχική εκτίμηση στο πλήρες λεπτομερές μοντέλο (συμπεριλαμβάνονται οι αντιδράσεις) μέσω παρεμβολής, με σκοπό τον υπολογισμό του ρυθμού απόθεσης. Η σύγκριση γίνεται με την απευθείας παράλληλη επίλυση του πλήρους λεπτομερούς μοντέλου. Τέλος, αναφέρεται ότι η τεχνική της παρεμβολής συνεισέφερε σημαντικά και στη μείωση του υπολογιστικού κόστους δημιουργίας του ROM, αφού μείωσε τον απαραίτητο CPU χρόνο κατά 88% και την απαραίτητη μνήμη RAM κατά 70%. Σε δεύτερη φάση, το προαναφερθέν πλαίσιο εφαρμόζεται για την αξιολόγηση ενός πολύπλοκου κινητικού μοντέλου της διεργασίας απόθεσης αλουμινίου από DMEAA. Το μοντέλο αυτό βασίστηκε σε προηγούμενη εργασία, όπου οι κινητικές του σταθερές προσδιορίστηκαν με προσαρμογή του μοντέλο δι-διάστατου πλέγματος σε πειραματικές μετρήσεις, με τα αποτελέσματα να είναι πολύ ικανοποιητικά. Στην παρούσα εργασία επιχειρείται η επαλήθευση των παραπάνω ευρημάτων και σε τρι-διάστατο πλέγμα και εξετάζεται εάν είναι αναγκαία η επαναπροσαρμογή των κινητικών παραμέτρων του μοντέλου με βάση το 3-D μοντέλο, το οποίο θεωρείται σε γενικές γραμμές πιο αξιόπιστο από το αντίστοιχο 2-D. Τα αποτελέσματα έδειξαν ότι το κινητικό μοντέλο εμφανίζει μεγάλη ακρίβεια και στην περίπτωση τρι-διάστατου πλέγματος, αν και όπως είναι φυσικό απαιτείται μια μικρή αναπροσαρμογή των κινητικών του σταθερών με βάση το 3-D πλέγμα. Επιπλέον, μελετήθηκε η κατανομή του ρυθμού απόθεσης κατά μήκος του υποστρώματος για διάφορες θερμοκρασίες, όπου διαπιστώθηκε ότι στους 245 °C η ανομοιομορφία πάχους των παραγόμενων υμενίων είναι πολύ μεγάλη ενώ επίσης ο ρυθμός απόθεσης πολύ χαμηλός, οπότε η θερμοκρασία αυτή πρέπει να αποφεύγεται. Όσον αφορά τους 151 °C και τους 185 °C, η επιλογή ανάμεσα τους καθορίζεται από τη σχετική προτεραιότητα, στην εκάστοτε εφαρμογή, μεταξύ ταχύτητας απόθεσης και ανομοιομορφίας πάχους παραγόμενου υμενίου.	el
heal.abstract	In this thesis, a computational framework is developed for dealing efficiently and effectively with three-dimensional (3-D) CFD large-scale models that describe, in this application but not exclusively, Chemical Vapor Deposition. The nonlinear equations that express the transport phenomena and the kinetics of the chemical reactions that take place in the reactor, are discretized, in this thesis with the Finite Volume Method and solved by the CFD code ANSYS/Fluent 17. The size of the resulting model is such that renders the computational investigation time-consuming. Moreover, the need to introduce some type of model predictive control and optimization strategies, contributes to the idea to develop an algorithmic “shortcut”. The main idea here is the development of a Reduced Order Model (ROM) from the simulation results of the detailed model, which is achieved by the combined use of the Snapshots Method –a variation of the more general Principal Component Analysis (PCA)– and Artificial Neural Networks (ANN), which are machine learning computational algorithms. The first one is used in order to determine an orthonormal basis that contains the spatial dependence of the solution, while the ANN computes the coefficients of the basis, which contain the system dynamics. This ROM is capable of predicting the dynamic response of the system with a very small error and in a very small amount of time. The snapshots necessary for the development of the ROM are derived from a parallel implementation of the transient CFD model, which required particular code development for the manipulation of this large-scale data. To take things a step further, the snapshots are delivered by a coarse mesh and are then fed to a finer mesh model, where they are being used as an initial estimation. This greatly reduces the required time for both the creation of the ROM, as well as its following simulation. The minimum required number of snapshots from which the basis is created, as well as the minimum needed number of eigenvectors that it contains, are being determined through an investigation. The selection of the best values for these parameters was conducted by considering both the error of the approximation and the “volume” of the required information. Thus, it was concluded that a basis that consists of 2 vectors, created by the snapshots of the detailed model response in 4 step inputs is capable of predicting solutions with a very small error (6.2410-3 % average error). The design parameters of the ANN were also determined through a similar investigation, from which it was concluded that a NARX network of one hidden layer that contains 5 neurons is capable of predicting solutions with a very small error (1.8710-2 % average error). Other design parameters for the network include the number of input and output delays, both of which are selected to be equal to 1, the training algorithm (Bayesian Regularization) and the number of training input sets, which in this case are 7. The computational benefits that come with using this framework are substantial, since a 96% drop in CPU time has been observed, if obtaining a solution from the ROM and interpolating to the fine mesh in order to optimize it, is compared to the direct parallel solution of the detailed model with no reactions enabled. Moreover, the CPU time needed to obtain a solution from the ROM and use it as an initial estimation for the complete detailed model (reactions included) through interpolation, is reduced by 60% compared to the direct parallel solution of the complete detailed model. In this way, the computation of the deposition rate is achieved. Finally, it is reported that the technique of interpolation also contributes to the reduction of the computational cost of creating the ROM by a great extent, as it reduced the required CPU time by 88% and the required RAM memory by 70%. In the second part of this thesis, the aforementioned framework is applied in order to evaluate a complex kinetic model of the aluminum deposition by DMEAA process. This model was developed in a previous diploma thesis, where the kinetic constants were computed by fitting the 2-D mesh model on experimental measurements, with the results being very satisfying. In this thesis, the verification of the above findings is attempted in a 3-D mesh, which is generally considered as more reliable compared to the 2-D. Additionally, the need to readjust the kinetic parameters based on the three-dimensional model is investigated. The results indicated that the kinetic model is very accurate in the 3-D mesh, as well, even though a minor readjustment of the kinetic constants based on the 3-D mesh is required, which was of course expected. Additionally, the distribution of the deposition rate across the substrate was studied for different temperatures, which showed that at 245 °C the thickness uniformity of the produced films is considerably low, while also the deposition rate is very small, so this temperature should be avoided. As far as the temperatures 151 °C and 185 °C are concerned, the selection between them should be made based on the relative weight that is given in production speed and uniformity for each application. Nonlinear Autoregressive model process with eXogenous input	en
heal.advisorName	Μπουντουβής, Ανδρέας	el
heal.committeeMemberName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Παππά, Αθηνά	el
heal.committeeMemberName	Μπουντουβής, Ανδρέας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	146 σ.
heal.fullTextAvailability	true