Flow predictions with deep neural networks

Μπακλαγής, Ιωάννης; Baklagis, Ioannis

dc.contributor.author	Μπακλαγής, Ιωάννης	el
dc.contributor.author	Baklagis, Ioannis	en
dc.date.accessioned	2021-07-28T11:24:29Z
dc.date.available	2021-07-28T11:24:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53727
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21425
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Υπολογιστική ρευστοδυναμική	el
dc.subject	Βαθιά νευρωνικά δίκτυα	el
dc.subject	Deep neural networks	en
dc.subject	Computational fluid dynamics	en
dc.subject	Biological flows	en
dc.subject	Βιολογικές ροές	el
dc.subject	LSTM neural networks	en
dc.subject	LSTM νευρωνικά δίκτυα	el
dc.subject	Flow predictions	en
dc.subject	Προβλέψεις ροών	el
dc.title	Flow predictions with deep neural networks	en
dc.title	Πρόβλεψη ροών με βαθιά νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Υπολογιστική Ρευστοδυναμική	el
heal.classification	Computational Fluid Dynamics	en
heal.classification	Deep Neural Networks	en
heal.classification	Βαθιά Νευρωνικά Δίκτυα	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-14
heal.abstract	Η Τεχνητή Νοημοσύνη (ΤΝ) έχει αναπτυχθεί ραγδαία τα τελευταία χρόνια και έχει εισχωρήσει βαθύτατα στην καθημερινή ζωή του μέσου ανθρώπου, καθώς και στη βιομηχανία και τον ακαδημαϊκό χώρο. Τα Βαθιά Νευρωνικά Δίκτυα (ΒΝΔ), που ανήκουν στο πεδίο της ΤΝ, είναι διασυνδεδεμένα δίκτυα νευρώνων που έχουν τη δυνατότητα να κάνουν προβλέψεις τροφοδοτούμενα με την αντίστοιχη είσοδο. Στη διπλωματική αυτή εργασία χρησιμοποιούνται δύο είδη δικτύων, το Long Short-Term Memory (LSTM) δίκτυο και το λ-DNN. Αρχικά, μοντελοποιείται η ψευδο-μονοδιάστατη ροή αίματος σε μοντέλο ανθρώπινης αρτηρίας και δημιουργείται το λογισμικό 1DAS, το οποίο επιλύει αριθμητικά τη ροή. Το αρχικό (απλοποιημένο) σχήμα της αρτηρίας και η διαμήκης κατανομή πάχους του τοιχώματος μεταβάλλονται χωρικά, ενώ η εισροή αίματος μεταβάλλεται χρονικά (παλμική καρδιακή δράση). Το λογισμικό δημιουργεί χωρικές κατανομές ταχύτητας, διατομής και πίεσης που μεταβάλλονται στο χρόνο, δημιουργώντας ένα σύνολο δεδομένων εκπαίδευσης για το δίκτυο. Το LSTM δίκτυο εκπαιδεύεται για να προβλέψει την κατανομή ταχύτητας σε κάθε επόμενη χρονική στιγμή τροφοδοτώντας το με τις προηγούμενες. Η αρχιτεκτονική και οι είσοδοι του δικτύου βελτιστοποιούνται μέσω ενός αλγόριθμου ελαχιστοποίησης που χειρίζεται πληθυσμούς υποψήφιων λύσεων και μιας στατιστικής μεθόδου, αντίστοιχα. Δύο εφαρμογές (απλή περιοδική συνάρτηση και εξίσωση αγωγής θερμότητας) καταδεικνύουν επίσης τις δυνατότητες του δικτύου LSTM. Στην επόμενη φάση της εργασίας, το λ-DNN χρησιμοποιείται για την πρόβλεψη αερο/υδροδυναμικών ροών και κατανομών θερμοκρασίας. Η αρχιτεκτονική του δικτύου είναι μία αρχιτεκτονική πολλαπλών κλάδων, με την είσοδό του να αποτελείται από κομβικές συντεταγμένες και δεδομένα που εξαρτώνται από την εκάστοτε εφαρμογή. Αρχικά, το δίκτυο εκπαιδεύεται να προβλέπει το πεδίο πίεσης γύρω από μία αεροτομή. Έπειτα, το ίδιο δίκτυο εκπαιδεύεται να προβλέπει την κατανομή πίεσης στην επιφάνεια ενός δρομέα ενός υδροστροβίλου τύπου Francis. Τέλος, το δίκτυο χρησιμοποιείται σε ένα πολυπεδιακό πρόβλημα, και, πιο συγκεκριμένα, το πρόβλημα Συζευγμένης Μεταφοράς Θερμότητας (ΣΜΘ). Το λ-DNN εκπαιδεύεται να αντικαταστήσει τον επιλύτη της εξίσωσης αγωγιμότητας θερμότητας (ένα πεδίο του πολυπεδιακού προβλήματος) και να προβλέπει την κατανομή της θερμοκρασίας στο περίγραμμα ενός εσωτερικά ψυχόμενου πτερυγίου. Οι δυνατότητές του αξιολογούνται με μια σύντομη παρουσίαση μιας βελτιστοποίησης που χρησιμοποιεί τις προβλέψεις του.	el
heal.abstract	Artificial Intelligence (AI) has developed rapidly in recent years. It has penetrated deeply into the daily life of the average human, as well as the industry and academia. Deep Neural Networks (DNNs), which are part of the field of AI, are interconnected neural networks that have the ability to make predictions by presenting them with the corresponding input. Inhere, two types of DNNs are utilized, the Long Short-Termo Memory (LSTM) networks and the λ-DNN. Firstly, a quasi-1D flow in a human artery is modelled and the 1DAS software is created, which solves the blood flow numerically. The initial artery shape and the wall thickness longitudinal distribution vary, while the blood inflow is time-varied (pulsatile heart action). The software generates time-varying longitudinal distributions of velocity, cross-sectional area and, pressure, creating a training dataset for the network. The LSTM network is, then, trained to predict the following velocity distribution by presenting it with the preceding ones of the same quantity. Its architecture and input are, later, optimized through a population-based algorithm and a statistical method, respectively. Two benchmark cases (simple periodic function and heat conduction equation) demonstrate the capabilities of the LSTM network, as well. Later in this diploma thesis, the λ-DNN is utilized for predicting aero/hydrodynamic flows and temperature distributions. It is a multi-branch architecture, with its input consisting of nodal coordinates and case-related data. Firstly, the network is trained to predict the pressure field around an isolated airfoil. Secondly, the same network is trained to predict the pressure distribution on the surface of a Francis runner. Lastly, the network is implemented in a multi-disciplinary problem, namely a Conjugate Heat Transfer (CHT) one. The λ-DNN is trained to replicate the solver of the heat conduction equation (one discipline) and predicts the temperature distribution on the contour of an internally cooled blade. Its capabilities are evaluated by a short presentation of an optimization that utilizes its predictions.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος Χ.	el
heal.committeeMemberName	Μαθιουδάκης, Κωνσταντίνος	el
heal.committeeMemberName	Αρετάκης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Θερμικών Στροβιλομηχανών	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false