Χρήση Μοντέλων Βασισμένων στα Δέντρα Αποφάσεων στη Βελτιστοποίηση μέσω Εξελικτικών Αλγορίθμων – Εφαρμογές στην Αεροδυναμική

Χονδρός, Κωνσταντίνος; Chondros, Konstantinos

dc.contributor.author	Χονδρός, Κωνσταντίνος	el
dc.contributor.author	Chondros, Konstantinos	en
dc.date.accessioned	2023-12-08T10:37:32Z
dc.date.available	2023-12-08T10:37:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58417
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26113
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	Βελτιστοποίηση Μορφής	el
dc.subject	Αεροδυναμική Ανάλυση	el
dc.subject	Δέντρα Αποφάσεων	el
dc.subject	Υπολογιστική Ρευστοδυναμική	el
dc.subject	Shape Optimization	en
dc.subject	Aerodynamic Analysis	en
dc.subject	Decision Trees	en
dc.subject	Computational Fluid Dynamics	en
dc.title	Χρήση Μοντέλων Βασισμένων στα Δέντρα Αποφάσεων στη Βελτιστοποίηση μέσω Εξελικτικών Αλγορίθμων – Εφαρμογές στην Αεροδυναμική	el
dc.title	Use of Decision Tree-Based Models in the Evolutionary Algorithm Optimization – Applications in Aerodynamics	en
heal.type	bachelorThesis
heal.classification	Βελτιστοποίηση Μορφής	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Υπολογιστική Ρευστοδυναμική	el
heal.classification	Shape Optimization	en
heal.classification	Machine Learning	en
heal.classification	Computational Fluid Dynamics	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Η Διπλωματική αυτή Εργασία διερευνά την ενσωμάτωση μοντέλων βασισμένων στα Δέντρα Αποφάσεων στη διαδικασία βελτιστοποίησης σχήματος μέσω Εξελικτικών Αλγορίθμων, όπως χρησιμοποιείται στη ρευστομηχανική, προκειμένου είτε να βρεθούν καλύτερες λύσεις με το ίδιο υπολογιστικό κόστος είτε να μειωθεί το κόστος για την ίδια ποιότητα λύσης. Εξετάζονται τρεις προσεγγίσεις: μοντέλα παλινδρόμησης βασισμένα στα Δέντρα Αποφάσεων ως off-line μεταμοντέλα, χρήση μοντέλων βασισμένων στα Δέντρα Αποφάσεων για ταξινόμηση με κριτήριο την ικανοποίηση ή όχι των περιορισμών και εξερεύνηση του χώρου σχεδιασμού με Δέντρα Αποφάσεων. Χρησιμοποιούνται δύο περιπτώσεις βελτιστοποίησης σχήματος για την αξιολόγηση της απόδοσης των προτεινόμενων μεθόδων. Η πρώτη περίπτωση είναι μια αεροτομή με στόχο την ελαχιστοποίηση του συντελεστή οπισθέλκουσας, με περιορισμό στον συντελεστή άνωσης. H δεύτερη περίπτωση είναι ένας αγωγός σχήματος S με στόχο τις ελάχιστες απώλειες ολικής πίεσης, με περιορισμό στον όγκο του αγωγού. Και οι δύο περιπτώσεις παραμετρικοποιούνται με τεχνικές NURBS. Συνδυάστηκαν οι τεχνικές δειγματοληψίας Latin Hypercube και Random Sampling για τη δημιουργία ενός συνόλου νέων διαφοροποιημένων γεωμετριών εντός συγκεκριμένων ορίων. Η ροή επιλύεται αριθμητικά χρησιμοποιώντας το λογισμικό PUMA για κάθε νέα γεωμετρία, ολοκληρώνοντας έτσι τη Βάση Δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση. Στην πρώτη προσέγγιση, μοντέλα παλινδρόμησης βασισμένα στα Δέντρα Αποφάσεων εκπαιδεύονται στη Βάση Δεδομένων, με σκοπό την πρόβλεψη των τιμών των συναρτήσεων στόχου και περιορισμών με χαμηλό κόστος. Αυτά τα μοντέλα χρησιμοποιούνται, έναντι άλλων off-line εκπαιδευόμενων μεταμοντέλων, κατά τη βελτιστοποίηση με Εξελικτικό Αλγόριθμο. Στη δεύτερη προσέγγιση, σε κάθε στοιχείο της Βάσης Δεδομένων, ανάλογα με την τιμή του περιορισμού, αποδίδεται και μία τιμή κλάσης. Έτσι, τα στοιχεία ταξινομούνται ως αποδεκτά/μη-αποδεκτά, με δύο γκρίζες ζώνες ανάμεσα τους. Εκπαιδεύονται μοντέλα ταξινόμησης βασισμένα στα Δέντρα Αποφάσεων στη Βάση Δεδομένων, με στόχο την πρόβλεψη της κλάσης νέων ατόμων, ως προς το αν σέβονται ή όχι τους περιορισμούς. Τα μοντέλα χρησιμοποιούνται σε κάθε γενιά της βελτιστοποίησης, ταξινομώντας τα άτομα πριν την αξιολόγηση τους από το λογισμικό CFD. Με αυτόν τον τρόπο, τα άτομα στα οποία έχουν αποδοθεί ορισμένες κλάσεις, που δεν πληρούν τον περιορισμό, δεν αξιολογούνται από το λογισμικό CFD, αποφεύγοντας ακριβές αξιολογήσεις για μη αποδεκτές λύσεις. Στην τρίτη προσέγγιση, χρησιμοποιείται ένα Δέντρο Αποφάσεων για την κατάτμηση του χωρίου σχεδιασμού σε διαφορετικές υποπεριοχές. Επιλέγοντας την υποπεριοχή που περιέχει τη βέλτιστη λύση και ξεκινώντας τη διαδικασία της βελτιστοποίησης σε αυτή την υποπεριοχή, η βέλτιστη λύση μπορεί να βρεθεί ταχύτερα. Δοκιμάστηκαν διάφορες προσεγγίσεις για την επιλογή της κατάλληλης υποπεριοχής. Η δεύτερη και η τρίτη προσέγγιση συνδυάστηκαν προκειμένου να αξιολογηθεί η απόδοση του συνδυασμού αυτών. Όλα τα αποτελέσματα συγκρίνονται με αυτά των EA και MAEA (υποβοηθούμενο από on-line εκπαιδευμένα νευρωνικά δίκτυα τύπου RBF) που εφαρμόζονται στο λογισμικό EASY.	el
heal.abstract	This Diploma Thesis explores the integration of Decision Tree-based models into the shape optimization process, as used in fluid mechanics, supported by Evolutionary Algorithms, in order to either get better solutions with the same cost or reduce the cost for the same solution quality. Three different approaches are investigated: Tree-Based Regression Models as off-line trained metamodels, constraint-based classification Tree-Based Models and design space exploration with Decision Trees. Two shape optimization cases are used to assess the performance of the proposed methods. The first case is an isolated airfoil with the objective to minimize the drag coefficient, with the constraint on the lift coefficient. The second case is an S-Bend duct designed for minimum total pressure losses, with a constraint on the volume of the duct. Both cases are parameterized using NURBS lattices. Latin Hypercube and Random Sampling were combined to generate a number of different geometries within specific limits. The flow is solved numerically using the PUMA software for each new geometry, yielding the Database used for the training. In the off-line metamodel approach, Tree-Based regression models are trained on the Database, with the aim to predict objectives and constraints at low cost. These are used, instead of other off-line trained metamodels, within an Evolutionary Algorithm. In the second approach, class labels are assigned to each Database entry depending on its constraint value. Thus, entries are classified as feasible/infeasible, with two gray zones in between them. Tree-Based classification models are trained on the Database, with the aim to predict the class label of an unseen individual. The models are employed in each generation of the optimization, classifying individuals prior to their evaluation on the CFD software. In this way, individuals assigned certain class labels, which do not fulfill the constraint, are not evaluated on the CFD tool, avoiding expensive evaluations for non-feasible solutions. In the third approach, a Decision Tree is used to partition the design space into different subregions. By selecting the subregion containing the optimal solution and initiating the optimization procedure into this subregion, the optimal solution could be found faster. Various approaches for region selection are tested. The second and third approaches are, also, combined in order to assess the performance of the combination. All the results are compared with the EA and MAEA (assisted by on-line trained RBF networks) optimization methods implemented in the EASY software.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος Χ.	el
heal.advisorName	Giannakoglou, Kyriakos C.	en
heal.committeeMemberName	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	117 σ.	el
heal.fullTextAvailability	false