28967

پيش‌بيني رفتار جريان آشفته با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي هوافضا

1399

1402/04/03

زينب پورانصاري

مهندسي مكانيك

اخيرا يادگيري عميق به واسطه‌ي توانايي در كشف روابط و الگوهاي پيچيده در داده‌ها ، شديداً مورد توجه مهندسان مكانيك سيالات به‌ويژه پژوهشگران جريان‌هاي آشفته قرار گرفته است. در اين پايان‌نامه، هدف بررسي عملكرد شبكه‌هاي عصبي مصنوعي در پيش‌بيني مقادير آماري جريان آشفته، به‌ويژه ويسكوزيته گردابه‌اي و تنش‌هاي رينولدز و مقايسه كارايي آن‌ها در برابر رويكرد‌هاي مدل‌سازي معادلات ميانگين‌گيري شده رينولدز است. در هدفي ديگر، امكان استفاده از شبكه‌هاي عصبي مصنوعي براي پيش‌بيني اثرات فيلترينگ بر جريان آشفته و مقايسه‌ي آن با روش‌هاي فيلترينگ رياضياتي در مدل‌سازي ويسكوزيته‌ي گردابه‌اي بزرگ بررسي شده است. به منظور بهينه‌سازي عملكرد شبكه‌ي عصبي، از روش‌هاي مختلفي مانند روش جستجوي شبكه‌اي براي انتخاب پارامترهاي ورودي بهينه به شبكه عصبي، الگوريتم‌ درخت تصادفي براي تعيين بهترين تركيب پارامترهاي ورودي و روش اعتبارسنجي متقابل براي افزايش دقت و كاهش بيش‌برازش استفاده شده است. نتايج اين تحقيق نشان مي دهد كه شبكه عصبي مصنوعي طراحي شده، مي توانند ويسكوزيته گردابه‌اي را با دقت بيشتر و در زمان كمتري نسبت به مدل هاي RANS مثل k-e و k-omega پيش بيني كند. نتيجه‌ي ديگر اينكه شبكه‌ي عصبي مصنوعي توانسته با دقت قابل قبولي، فيلترينگ داده‌هاي عددي مستقيم جريان آشفته‌ي داخل كانال را نيز پيش‌بيني كند. به طور كلي، اين مطالعه ديدگاه جديدي را در مورد پيش‌بيني مقادير آماري جريان آشفته با استفاده از شبكه‌هاي عصبي مصنوعي ارائه مي‌كند و مزاياي آن‌ها را نسبت به مدل‌سازي‌هاي جريان آشفته بررسي مي‌كند.

1402/06/18

predicting of turbulent flow behaviour with deep learning

6/23/2024 12:00:00 AM

Recently, deep learning, due to its ability to discover complex relationships and patterns in data, has been of great interest to fluid mechanics engineers, especially turbulent flow researchers. In this thesis, the aim is to investigate the performance of artificial neural networks in predicting the statistical values of turbulent flow, especially the eddy viscosity and Reynolds stresses, and to compare their efficiency against the modeling approaches of the averaged Reynolds equations. In another objective, the possibility of using artificial neural networks to predict the effects of filtering on turbulent flow and comparing it with mathematical filtering methods in modeling large eddy viscosity has been investigated. In order to optimize the performance of the neural network, various methods have been used, such as the network search method to select the optimal input parameters to the neural network, the random tree algorithm to determine the best combination of input parameters, and the cross-validation method to increase accuracy and reduce overfitting. The results of this research show that the designed artificial neural network can simulate and predict the eddy viscosity more accurately and in less time than RANS models like k-e and k-omega. Another result is that the artificial neural network has been able to predict the direct numerical data filtering of the turbulent flow inside the channel with acceptable accuracy. Overall, this study presents a new perspective on the prediction of turbulent flow statistical quantities using artificial neural networks and examines their advantages over turbulent flow modeling.

جريان آشفته , مدل‌سازي جريان آشفته , يادگيري عميق , شبكه‌ي عصبي

turbulent flow , turbulent flow modeling , deep learning , artificial neural network

behnam pourpooneh

zeinab pouransari