Convolutional neural networks as turbulence and transition closures in aerodynamic analysis and shape optimization

Karantonis, Alexandros; Καραντώνης, Αλέξανδρος

dc.contributor.author	Karantonis, Alexandros	en
dc.contributor.author	Καραντώνης, Αλέξανδρος	el
dc.date.accessioned	2024-12-23T09:55:54Z
dc.date.available	2024-12-23T09:55:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60611
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28307
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	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Εξελικτικοί Αλγόριθμοι Βελτιστοποίησης	el
dc.subject	Μεταβατικές Ροές	el
dc.subject	Βαθιά Νευρωνικά Δίκτυα	el
dc.subject	Computational Fluid Dynamics	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Evolutionary Optimization	en
dc.subject	Transitional Flows	en
dc.subject	Deep Neural Networks	en
dc.title	Convolutional neural networks as turbulence and transition closures in aerodynamic analysis and shape optimization	en
dc.title	Συνελικτικά νευρωνικά δίκτυα ως υποκατάστατα μοντέλων τύρβης και μετάβασης στην αεροδυναμική ανάλυση και βελτιστοποίηση μορφής	el
heal.type	bachelorThesis
heal.classification	Computational Fluid Dynamics	en
heal.classification	Artifiicial Intelligence	en
heal.classification	Υπολογιστική Ρευστοδυναμική	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024
heal.abstract	Σε αυτήν τη Διπλωματική Εργασία, εκπαιδεύονται και χρησιμοποιούνται Συνελικτικά Νευρωνικά Δίκτυα (ΣΝΔ) ως υποκατάστατα μοντέλων τύρβης και μετάβασης, στην αεροδυναμική ανάλυση και βελτιστοποίηση μορφής, με στόχο τη μείωση του συνολικού υπολογιστικού κόστους. Τα ΣΝΔ χρησιμοποιούν γεωμετρικά και ροϊκά δεδομένα προερχόμενα από την επίλυση των εξισώσεων RANS, ώστε να προβλέψουν την τυρ βώδη συνεκτικότητα µt, κλείνοντας ουσιαστικά τις εξισώσεις RANS χωρίς τη χρήση διαφορικών μοντέλων τύρβης και μετάβασης. Για την εκπαίδευση των ΣΝΔ, δημιουργείται μια βάση δεδομένων που περιλαμβάνει επαρκή αριθμό αεροδυναμικά αξιολογηθεισών γεωμετριών, που χρησιμεύουν ως πρότυπα εκπαίδευσης. Αρχικά, η βασική γεωμετρία παραμετροποιείται με χρήση NURBS και έπειτα πραγματοποιείται δειγματοληψία με τη μέθοδο LHS. Τέλος, αυτές οι νέες γεωμετρίες επιλύονται με τη χρήση του επιλύτη PUMA, σε συνδυασμό με τα μοντέλα τύρβης και μετάβασης που τα ΣΝΔ θα κληθούν να αντικαταστήσουν. Η χρήση ΣΝΔ, έναντι Βαθιών Νευρωνικών Δικτύων (ΒΝΔ), εισάγει το πλεονέκτημα της ενσωμάτωσης πληροφοριών από γειτονικά κελιά κατά την πρόβλεψη του µt. Αυτό συμβαίνει διότι τα ΣΝΔ λειτουργούν χρησιμοποιώντας ολόκληρα τα πεδία εισόδου και όχι μεμονωμένα τα κελιά του πλέγματος, επιτρέποντας την επικοινωνία μεταξύ διαφορετικών κελιών, γεγονός που ενδεχομένως οδηγεί σε καλύτερες προβλέψεις. Οι βελτιστοποιήσεις μορφής πραγματοποιούνται σε δύο αεροτομές χαμηλών ταχυτήτων, τη NLF0416 και τη S8052, που και οι δύο παρουσιάζουν μεταβατική ροή, επιτάσσοντας τη συμπερίληψη μοντέλου μετάβασης για την επίλυση της ροής. Λόγω της σημασίας της μετάβασης στην επιφανειακή τριβή και κατ’ επέκταση στην οπισθέλκουσα, τίθενται δύο ξεχωριστοί στόχοι προς βελτιστοποίηση. Ο πρώτος στόχος ειναι η ελαχιστοποίηση του συντελεστή οπισθέλκουσας CD και ο δεύτερος η μεγιστοποίηση της έκτασης της στρωτής περιοχής στην πλευρά υποπίεσης της αεροτομής, μέσω της μεγιστοποίησης της απόστασης του σημείου μετάβασης στην πλευρά αυτή από την ακμή πρόσπτωσης της αεροτομής TPSS. Αυτός ο δεύτερος στόχος αξιολογείται ως μια διαφορετική οπτική για τη μείωση της οπισθέλκουσας. Για αμφότερες τις βελτιστοποιήσεις χρησιμοποιούνται δύο λογισμικά αξιολόγησης: το PUMA-TM και το PUMA-CNN. Το PUMA-TM επιλύει τις εξισώσεις RANS σε συνδυασμό με το μοντέλο τύρβης μιας εξίσωσης Spalart-Allmaras και το μοντέλο μετάβασης δύο εξισώσεων Smooth γ −Reθ,t. Από την άλλη πλευρά, το PUMA-CNN επιλύει τις εξισώσεις RANS και, στη συνέχεια, χρησιμοποιεί το εκπαιδευμένο ΣΝΔ (CNN) για να προβλέψει το πεδίο µt, κλείνοντας τις RANS. Ενώ το λογισμικό PUMA-TM δεν έχει αρχικό κόστος, καθώς δεν απαιτεί εκπαίδευση, το PUMA-CNN έχει αρχικό κόστος που σχετίζεται με τη δημιουργία δειγμάτων εκπαίδευσης και την εκπαίδευση του ΣΝΔ πάνω σε αυτά. Ωστόσο, το PUMA-CNN επωφελείται από μειωμένο κόστος ανά αξιολόγηση, καθώς δεν χρειάζεται να λύσει τις τρεις επιπλέον διαφορικές εξισώσεις. Οι βελτιστοποιήσεις πραγματοποιούνται με χρήση εξελικτικού αλγορίθμου υποβοηθούμενου από μεταμοντέλα μέσω του λογισμικού EASY. Τα αποτελέσματα συγκρίνονται ως προς την ποιότητα της τελικής λύσης και το υπολογιστικό κόστος. Επιπλέον, εξετάζεται αν η μεγιστοποίηση του TPSS συμπίπτει με την ελαχιστοποίηση του CD.	el
heal.abstract	In this Diploma Thesis, Convolutional Neural Networks (CNNs) are used as surrogates for traditional turbulence and transition models in aerodynamic analysis and optimization, aiming to reduce the total computational cost. The CNNs use geometrical and flow data provided by the Reynolds-Averaged Navier-Stokes (RANS) equations, to predict the turbulent viscosity field µt, effectively closing the RANS without the use of differential turbulence and transition models. To train the CNNs, a dataset is created by parameterizing the geometries using Non-Uniform Rational B-Splines (NURBS) and applying Latin Hypercube Sampling (LHS) to generate a sufficient number of new geometries, which serve as training patterns. These new geometries are then evaluated using the in-house GPU enabled flow solver PUMA, coupled with the turbulence and transition models that the CNNs aim to replace. The use of CNNs, as opposed to Deep Neural Networks (DNNs), introduces the advantage of incorporating information from neighboring mesh elements when predicting the turbulent viscosity µt field. CNNs operate on entire fields of inputs rather than individual mesh elements, enabling inter-element communication, potentially leading to better predictions. The two optimization cases performed involve the NLF0416 and the S8052 low speed airfoils both of which exhibit transitional flow, demanding for the inclusion of a transition model in addition to the more common turbulence model. Due to the importance of transition on skin friction and drag, two separate optimization targets are set. The first target is the direct minimization of the drag coefficient CD and the second is the maximization of the laminar area on the suction side of the airfoil by maximizing the distance between the leading edge and the transition point on the suction side TPSS. This second goal serves as a proxy for reducing CD, through a different approach. For both optimizations, two evaluation software are used: PUMA-TM and PUMA-CNN.PUMA-TM solves the RANS equations coupled with the one-equation Spalart Allmaras turbulence model and the two-equation Smooth γ−Reθ,t transition model. On the other hand PUMA-CNN solves the RANS equations and then uses the trained CNN to predict the µt field, closing the RANS. While PUMA-TM incurs no capital cost, as no training is required, PUMA-CNN has a capital cost associated with the generation of training samples and the actual training of the CNN. However, PUMA-CNN benefits from a reduced per-evaluation cost due to not needing to solve the three additional differential equations. The optimizations are performed by a Metamodel-Assisted Evolutionary Algorithm within the framework of EASY. The results are compared in terms of the quality of the final solution and computational cost. Additionally, it is examined whether maximizing TPSS coincides with minimizing CD.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος	el
heal.committeeMemberName	Αρετάκης, Νικόλαος	el
heal.committeeMemberName	Μαθιουδάκης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Θερμικών Στροβιλομηχανών	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	false