Τα Βαθιά Νευρωνικά Δίκτυα ως Υποκατάστατα
Μοντέλων Τύρβης στην Αεροδυναμική Ανάλυση και
Βελτιστοποίηση

Κορδός, Ιωάννης; Kordos, Ioannis

dc.contributor.author	Κορδός, Ιωάννης	el
dc.contributor.author	Kordos, Ioannis	en
dc.date.accessioned	2023-03-24T08:08:41Z
dc.date.available	2023-03-24T08:08:41Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57289
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24987
dc.rights	Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-sa/3.0/gr/	*
dc.subject	Υποκατάσταση μοντέλων τύρβης	el
dc.subject	Βαθιά Νευρωνικά Δίκτυα	el
dc.subject	Υπολογιστική ρευστοδυναμική	el
dc.subject	Βελτιστοποίηση μορφής	el
dc.subject	Αεροδυναμική ανάλυση	el
dc.subject	Deep neural networks	en
dc.subject	Turbulence models surrogates	en
dc.subject	Computational Fluid Dynamics	el
dc.subject	Aerodynamic Analysis	el
dc.subject	shape optimization	el
dc.title	Τα Βαθιά Νευρωνικά Δίκτυα ως Υποκατάστατα Μοντέλων Τύρβης στην Αεροδυναμική Ανάλυση και Βελτιστοποίηση	el
dc.title	Deep Neural Networks as Turbulence Model Surrogates in Aerodynamic Analysis and Optimization	en
dc.contributor.department	Parallel CFD & Optimization Unit	el
heal.type	bachelorThesis
heal.classification	Υπολογιστική Ρευστοδυναμική	el
heal.classification	Computational Fluid Dynamics	en
heal.classification	Artificial Intelligence	en
heal.classification	Τεχνητή Νοημονύση	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-02-24
heal.abstract	Στόχος της Διπλωματικής αυτής Εργασίας, είναι η χρήση Βαθιών Νευρωνικών Δι- κτύων (ΒΝΔ), ως υποκατάστατα μοντέλων τύρβης στην αεροδυναμική ανάλυση και βελτιστοποίηση, με στόχο τη μείωση του συνολικού υπολογιστικού κόστους της δια- δικασίας αυτής. Τα ΒΝΔ εκπαιδεύονται σε ένα σύνολο δεδομένων με στόχο να αναπαράγουν όσο το δυνατόν ακριβέστερα το πεδίο τυρβώδους συνεκτικότητας. Για να εκπαιδευτεί το ΒΝΔ, η αρχική γεωμετρία παραμετρικοποιείται μέσω ογκομετρικής μορφοποίησης με τεχνι- κές N U RBS και με χρήση της τεχνικής δειγματοληψίας Latin Hyperciube Sampling (LHS), δημιουργείται ένα σύνολο νέων διαφοροποιημένων γεωμετριών. Οι μοντελο- ποιήσεις της ροής γίνονται με τον επιλύτη των RAN S εξισώσεων και των μοντέλων τύρβης (ακριβές μοντέλο) στο λογισμικό P U M A. Επιπλέον, ιδιαίτερη σημασία δίνεται στον προσδιορισμό της βέλτιστης αρχιτεκτονικής του δικτύου καθώς και στον τρόπο εκπαίδευσης του. Οι περιπτώσεις βελτιστοποίησης που χρησιμοποιούνται είναι η βελτιστοποίηση του σχήματος της αεροτομής N ACA4318 με στόχο την ελαχιστοποίηση του συντελεστή αντίστασης και σταθερό συντελεστή άνωσης, και του πτερυγίου συμπιεστή LS89 με στόχο την ελαχιστοποίηση των απωλειών πίεσης και σταθερή γωνία εξόδου της ρο- ής. Το ακριβές μοντέλο για την πρώτη περίπτωση, είναι ο επιλύτης των RAN S με το μοντέλο τύρβης Spalart − Allmaras, ενώ για την δεύτερη είναι ο επιλύτης των RAN S με το μοντέλο τύρβης k-ω και μετάβασης γ − R̃eθt . Τα εναλλακτικά μοντέλα, είναι ο επιλύτης των RAN S εξισώσεων με το αντίστοιχο ΒΝΔ της κάθε περίπτωσης. Οι βελτιστοποιήσεις σχήματος μέσω εξελικτικού αλγορίθμου γίνονται και με τα δύο μοντέλα ως λογισμικό αξιολόγησης. Επιπλέον, η αρχιτεκτονική του ΒΝΔ και η επι- λογή των κατάλληλων εισόδων της δεύτερης περίπτωσης βελτιστοποιούνται μέσω ενός εξελικτικού αλγορίθμου και, εν συνεχεία, εφαρμόζονται οι τεχνικές early stopping καιdropout κατα τη διαδικασία εκπαίδευσης. ΄Ολες οι βελτιστοποιήσεις μέσω εξελικτικού αλγόριθμου υλοποιούνται στο λογισμικό EASY . Κατα τη διάρκεια των βελτιστοποιήσεων σχήματος όπου τα εναλλακτικά μοντέλα α- ποτελούν το λογισμικό αξιολόγησης, οι βέλτιστες λύσεις κάθε γενιάς, επαναξιολογο- ύνται με το ακριβές μοντέλο και όπου κρίνεται απαραίτητο το ΒΝΔ επανεκπαιδεύεται. Στο πέρας τον βελτιστοποιήσεων, τα αποτελέσματα των βελτιστοποιήσεων με τα δύο μοντέλα συγκρίνονται ως προς την ποιότητα τους και τον υπολογιστικό χρόνο της βελτιστοποίησης	el
heal.abstract	The target of this Diploma Thesis is the use of DNNs as turbulence Model sur- rogates in aerodynamic analysis and optimization, in order to reduce the overall computational cost of this process. DNNs are trained on a dataset with the aim of reproducing the turbulence viscosity field as accurately as possible. To train the DNN, the geometries are parameterized through volumetric morphing using NURBS lattices and using the Latin Hypercube Sampling (LHS) a set of new differentiated geometries is generated. The flow is computed by the RANS equations coupled with the turbulence model within PUMA software (PUMA-TM). In addition, particular attention is paid to the specification of the DNN architecture and the way of training the network. The optimization cases used are the optimization of the airfoil shape NACA4318 with target to minimize the drag coefficient with constant lift coefficient, and the turbine blade LS89 with target to minimize the pressure total losses, keeping the flow exit angle close to its baseline value. The PUMA-TM model for the first case is the RANS equations coupled with the SA turbulence model, while for the second case it is the RANS equations coupled with the k-ω turbulence model assisted by the γ − R̃eθt transition model. The alternative models are the solver of the RANS equations coupled with the DNN of each case (PUMA-DNN). The MAEA (shape) optimizations are performed for both models as evaluation software. In addition, for the second case, the architecture of the DNN and the selection of appropriate inputs are optimized with a MAEA-based optimization and techniques like early stopping and dropout are applied during the training process. All optimizations with MAEA are implemented in the EASY software. During the shape optimizations where the PUMA-DNN is the evaluation software, the best solutions of each generation are re-evaluated with the PUMA-TM and if necessary the DNN is retrained. At the end of the optimization, the results ofMAEA relying on PUMA-DNN and PUMA-TM evaluation software are compared in terms of their quality and the computational cost of the optimization.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος	el
heal.advisorName	Giannakoglou, Kyriakos	en
heal.committeeMemberName	Γιαννάκογλου, Κυριάκος	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	113 σ.	el
heal.fullTextAvailability	false