Assessment of hybrid computational fluid dynamics-deep
learning solvers for unsteady problems

Τζανετάκης, Αντώνιος; Tzanetakis, Antonis

dc.contributor.author	Τζανετάκης, Αντώνιος	el
dc.contributor.author	Tzanetakis, Antonis	en
dc.date.accessioned	2024-07-30T10:15:25Z
dc.date.available	2024-07-30T10:15:25Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59979
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27675
dc.rights	Default License
dc.subject	cfd	en
dc.subject	Υπολογιστική ρευστομηχανική	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Neural networks	en
dc.subject	Deep learning	en
dc.subject	Hhybrid	el
dc.subject	Υβριδικές	el
dc.title	Assessment of hybrid computational fluid dynamics-deep learning solvers for unsteady problems	en
dc.title	Αξιολόγηση Υβριδικών Επιλυτών Υπολογιστικής Ρευστοδυναμικής-Βαθιάς Μάθησης για χρονικά μη-μόνιμα προβλήματα	el
heal.type	bachelorThesis
heal.classification	Deep learning	en
heal.classification	Unsteady	en
heal.classification	Υπολογιστική ρευστομηχανική	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Μη μόνιμες ροές	el
heal.classification	cfd	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03
heal.abstract	Η διπλωματική εργασία διερευνά τρόπους υποβοήθησης της Υπολογιστικής Ρευστοδυ- ναμικής (ΥΡΔ) από τεχνικές Βαθιάς Μάθησης (ΒΜ). Προγραμματίζονται και αξιολο- γούνται δύο υβριδικές προσεγγίσεις ΥΡΔ-ΒΜ, που επιταχύνουν την επίλυση χρονικά μη-μόνιμων προβλημάτων. Οι μέθοδοι διαχειρίζονται το σφάλμα διακριτοποίησης, που καθοριζεται από το βήμα του πλέγματος, και είναι σημαντική πηγή σφάλματος στις αριθμητικές προσομοιώσεις. Χρησιμοποιώντας Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) εκπαιδευμένα σε δεδομένα υψηλής ανάλυσης, οι υβριδικοί επιλύτες τρέχουν σε αραιό πλέγμα, παράγοντας λύσεις που αντιστοιχούν σε πολύ πυκνότερα πλέγματα. Η πρώτη τεχνική αντικαθιστά το κλασικό βήμα ανακατασκευής της μεθόδου των Πε- περασμένων ΄Ογκων με μια διαδικασία που βασίζεται σε ΤΝΔ. Συγκεκριμένα, το ΤΝΔ εκπαιδεύεται να παράγει χωροχρονικά μεταβαλλόμενους συντελεστές διακριτοποίησης, που συνδυάζονται με τις κομβικές τιμές του πεδίου σε ένα αραιό πλέγμα. ΄Ετσι, ανακα- τασκευάζει το πεδίο στα όρια των κελιών δίνοντας αποτελέσματα ως σε πολύ πυκνότερα πλέγματα. Στη δεύτερη τεχνική, η αριθμητική επίλυση γίνεται σε ένα αραιό πλέγμα πα- ράγοντας λύσεις χαμηλής ανάλυσης, οι οποίες διορθώνονται σε κάθε χρονικό βήμα από ένα ΤΝΔ αναπαράγοντας αποτελέσματα αρκετά υψηλότερης ανάλυσης. Και οι δύο μέθοδοι εφαρμόζονται σε δύο 1Δ χρονικά μη-μόνιμα προβλήματα: την εξίσωση μεταφοράς και την εξίσωση γραμμικής ακουστικής. Πιστοποιείται η σωστή εκπαίδευση και λειτουργία αυτών των υβριδικών μοντέλων σε ποικίλες συνθήκες και παραμέτρους των επιλυόμενων ΜΔΕ με δοκιμές για διαφορετι- κές τιμές των υπερπαραμέτρων. Η εργασία συνδυάζει τρέχουσα έρευνα στη Μονάδα Παράλληλης Υπολογιστικής Ρευστοδυναμικής & Βελτιστοποίησης του ΕΜΠ με ιδέες από δύο πρόσφατα άρθρα της βιβλιογραφίας.	el
heal.abstract	This thesis delves into the realm of Computational Fluid Dynamics (CFD), or Computational Mechanics in general, assisted by Deep Learning (DL) techniques. It programs and evaluates two hybrid CFD-DL approaches which can accelerate the solution of unsteady problems. The discretization error, which is heavily dependent on the grid step size, is an important source of error in numerical simulations and is what these methods aim to address. These hybrid solvers run on a coarse grid but produce solutions corresponding to much finer grids by utilizing Artificial Neural Networks (ANNs) trained on high resolution data. The first technique replaces the conventional reconstruction step of the Finite Volumes Method (FVM) with an ANN-driven process. Namely, the ANN is trained to produce space and time dependent coefficients of a stencil, that when combined with the local field values on a coarse grid, reconstruct the field at the cell faces to attain results corresponding to solutions of much finer grids. In the second technique, the numerical solver operates on a coarse grid to generate low-resolution solutions, which are corrected at each time step by an ANN to achieve high-resolution results. Both methods are implemented to solve two 1D unsteady problems: the 1D advection equation and the 1D linear acoustics equation. Key findings include the scalability and robustness of these hybrid approaches in varied conditions and equation parameters. This is supported by extensive testing and a study of the behavior of the models for different hyperparameter values. This thesis combines current research in the Parallel CFD & Optimization Unit (PCOpt) of NTUA with ideas from two recent papers in the literature and underscores the potential of integrating data-driven techniques in numerical models.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος	el
heal.committeeMemberName	Μαθιουδάκης, Κωνσταντίνος	el
heal.committeeMemberName	Αρετάκης, Νικόλαος	el
heal.committeeMemberName	Γιαννάκογλου, Κυριάκος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false