Αεροδυναμική Βελτιστοποίηση Μορφής Αεροτομών με Χρήση Βαθιών Νευρωνικών Δικτύων

Σπυροπούλου, Έλενα; Spyropoulou, Elena

dc.contributor.author	Σπυροπούλου, Έλενα	el
dc.contributor.author	Spyropoulou, Elena	en
dc.date.accessioned	2023-01-13T08:35:02Z
dc.date.available	2023-01-13T08:35:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56661
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24359
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	Optimization	en
dc.subject	Airfoil	en
dc.subject	Deep Neural Networks	en
dc.subject	Aerodynamics	en
dc.subject	Βελτιστοποίηση	el
dc.subject	Βαθιά Νευρωνικά Δίκτυα	el
dc.subject	Αεροδυναμική	el
dc.subject	Computational fluid dynamics	en
dc.subject	Υπολογιστική ρευστοδυναμική	el
dc.title	Αεροδυναμική Βελτιστοποίηση Μορφής Αεροτομών με Χρήση Βαθιών Νευρωνικών Δικτύων	el
dc.title	Aerodynamic Shape Optimization of Airfoils with Deep Neural Networks	en
heal.type	bachelorThesis
heal.classification	Mechanical Engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-18
heal.abstract	Στόχος της διπλωματικής αυτής εργασίας είναι η ένταξη βαθιών νευρωνικών δικτύων (Deep Neural Networks, DNN), ως υποκατάστατο λογισμικού υπολογιστικής ρευστο- δυναμικής (Computational Fluid Dynamics, CFD), στην αεροδυναμική βελτιστοποίη- ση μορφής αεροτομών με σκοπό τη μείωση του συνολικού υπολογιστικού κόστους της διαδικασίας αυτής. Λόγω του μεγάλου υπολογιστικού κόστους που προκαλεί η χρήση λογισμικού CFD ως λογισμικό αξιολόγησης κατά τη βελτιστοποίηση προτάθηκε η χρήση DNN με σκοπό την υπόκατάσταση του κοστοβόρου CFD. Το δίκτυο αφού εκπαιδεύτηκε σε βάση δε- δομένων η οποία δημιουργήθηκε μέσω της τεχνικής δειγματοληψίας Latin Hypercube Sampling-LHS, χρησιμοποιήθηκε στον βρόχο της βελτιστοποίησης των αεροτομών. Στη συνέχεια, τα αποτελέσματα της βελτιστοποίησης αυτής επαναξιολογήθηκαν με το ακριβές πρότυπο. Ιδιαίτερη σημασία δόθηκε στην επανεκπαίδευση του δικτύου με τις τρέχουσες καλύτερες λύσεις έπειτα από κάθε βελτιστοποίηση, ώστε να μειωθεί το σφάλμα πρόβλεψης του δικτύου σε κάθε νέο κύκλο. Επιπλέον, πραγματοποιήθη- καν δοκιμές όσον αφορά την αρχιτεκτονική του δικτύου μεταβάλλοντας κατάλληλα τις υπερπαραμέτρους (hyperparameters) του ώστε να επιλεγεί εκείνη με την καλύτερη επίδοση ως προς το σφάλμα πρόβλεψης αλλά και να αποφευχθεί η υπερπροσαρμογή (overfitting). Η μέθοδος αυτή οδηγεί σε επιτάχυνση της διαδικασίας βελτιστοποίησης χάριν των DNN ενώ η εγκυρότητα των αποτελεσμάτων είναι εξασφαλισμένη καθώς τα αποτελέσματα των βελτιστοποιήσεων με DNN επαναξιολογούνται με το ακριβές πρότυπο. Οι δύο αεροτομές οι οποίες επιλέχθηκαν για την αξιολόγηση της νέας διαδικασίας βελ- τιστοποίησης είναι η NACA 4415 και η πειραματική αεροτομή SG6040 σε συνθήκες υποηχητικής ροής και σε γωνίες της επ ́ άπειρον ροής ίσες με 2ο και 0ο αντίστοιχα. Η αριθμητική προσομοίωση της ροής έγινε στην πρώτη περίπτωση με χρήση προτύπου ατριβούς ροής (επιλύτης εξισώσεων Euler) και στη δεύτερη περίπτωση θεωρήθηκε τυρ- βώδης ροή (επιλύτης εξισώσεων Navier-Stokes με το μοντέλο τύρβης k-ω SST). Το πλέγμα δημιουργήθηκε στο λογισμικό Pointwise και για την επίλυση της ροής χρησι- μοποιήθηκε ο επιλύτης υπολογιστικής ρευστοδυναμικής PUMA, οικείο λογισμικό που τρέχει σε κάρτες γραφικών (Graphics Processing Units-GPUs). Η παραμετροποίηση των σχημάτων των αεροτομών έγινε μέσω ογκομετρικής μορφοποίησης με τεχνικές NURBS-(Non-Uniform Rational B-Splines). Η βελτιστοποίηση των δύο αεροτομών μέσω ενός εξελικτικού αλγορίθμου υλοποιήθηκε στο οικείο λογισμικό EASY. Ο επα- νασχεδιασμός των δύο αεροτομών πραγματοποιήθηκε, ενδεικτικά, με στόχο την αύξηση του συντελεστή άνωσης. Μετά την ολοκλήρωση της διαδικασίας, τα αποτελέσματα των βελτιστοποιήσεων με και χωρίς τη χρήση DNN συγκρίθηκαν τόσο ως προς την επίτευξη του στόχου, δηλαδή της αύξησης του συντελεστή άνωσης, όσο και ως προς τον υπολογιστικό χρόνο.	el
heal.abstract	The aim of this diploma thesis is the integration of Deep Neural Networks (DNN) as a Computational Fluid Dynamics software (CFD) substitute in aerodynamic shape optimization of airfoils in order to reduce the overal computational cost of this procedure. Because of the high computational cost due to the high number of calls to the CFD evaluation software during optimization, the use of DNN was suggested to replace the costly CFD software. The network, after being trained on a properly formed database of already CFD-evaluated shapes, was used in the airfoil optimization loop, the results of which were re-evaluated on the CFD code. Emphasis was laid on retraining the network with individuals of the best-so-far solution after each optimization, in order to reduce the prediction error of the network in each new optimization. In addition, multiple network architectures were tested by modifying the networks hyperparameters in order to select the one with the best performance in terms of prediction error, while avoiding overfitting. This method accelerates the optimization process due to the integration of the DNN while, at the same time, the validity of the results is guaranteed as any solution optimized by the DNN is re-evaluated on the CFD model. The two isolated airfoils under examination are a NACA 4415 airfoil and the expe- rimental airfoil SG6040, at subsonic flow conditions, and at free stream flow angles equal to 2o and 0o, respectively. The numerical simulation of the flow was perfor- med, in the first case, using an inviscid flow model (Euler equation solver) and in the second case using a turbulent flow model (Navier-Stokes equation solver along with the k-ω SST turbulence model). The grid was generated using Pointwise and the CFD software was PUMA, which is an in-house CFD tool running on GPUs. Sha- pe parameterization was performed using NURBS (Non-uniform rational B-splines) volumetric method. The optimization of the two airfoils through an evolutionary algorithm was implemented in the in-house optimization software EASY. Without loss in generality, the redesign of the two airfoils was performed aiming at maximum lift coefficient. Upon completion of this process, the results of the optimizations with and without the use of DNNs were compared both in terms of achieving the goal, namely incre- asing the lift as much as possible, as well as in terms of computational cost.	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	107 σ.	el
heal.fullTextAvailability	false