31612

مدل‌سازي هيدروديناميكي پروانه‌هاي دريايي به روش تفكيك مودهاي ديناميكي

كارشناسي ارشد

مهندسي مكانيك

1400

1403/7/14

دكتر نوروز محمد نوري

-

مهندسي مكانيك

اين پايان‌نامه در زمينه مكانيك سيالات، به بررسي و تحليل روش‌هاي نويني مي‌پردازد كه مبتني بر داده‌هاي گسترده حاصل از آزمايش‌ها و اندازه‌گيري‌هاي ميداني است و به سرعت در حال توسعه هستند. با افزايش حجم داده‌هاي حاصل از آزمايش‌ها و شبيه‌سازي‌ها، استفاده از تكنيك‌هاي يادگيري ماشين (ML) به عنوان ابزاري موثر و قدرتمند براي استخراج اطلاعات پنهان و طراحي مدل‌هاي كارآمد، اهميت بسياري پيدا كرده است. يادگيري ماشين به عنوان شاخه‌اي از علوم كامپيوتر، از تكنيك‌هاي پيشرفته‌اي براي تشخيص الگوها، ساخت مدل‌هاي پيش‌بيني و بهينه‌سازي فرآيندهاي محاسباتي استفاده مي‌كند كه مي‌تواند در حوزه‌هاي مختلف از جمله مكانيك سيالات به كار گرفته شود. پژوهش حاضر در ابتدا به مرور مباني و مفاهيم اساسي الگوريتم‌هاي عمومي يادگيري ماشين پرداخته است تا زمينه‌اي مناسب براي درك عميق‌تر از اين تكنيك‌ها و نحوه به‌كارگيري آن‌ها در تحليل داده‌هاي پيچيده جريان سيال فراهم شود. بخش بعدي اين پژوهش در مورد تحقيق و بررسي الگوريتم‌هاي مبتني بر داده‌هاي پويا در سيستم‌هاي ديناميكي (Systems Dynamical Driven-Data) به ويژه روشي به نام تجزيه مود‌هاي ديناميكي (Dynamic Mode Decomposition) اختصاص دارد. روش DMD يكي از تكنيك‌هاي تحليل داده‌هاي پيچيده و درك ساختارهاي اساسي سيستم‌هاي ديناميكي است و توانايي بالايي در تفكيك و تحليل رفتارهاي ديناميكي جريان سيال دارد. در اين تحقيق، روش DMD براي تحليل جريان‌هاي پيچيده اطراف پروانه‌هاي دريايي خاص به كار گرفته مي‌شود. داده‌هاي حاصل از اين تحليل به عنوان پايه‌اي براي توسعه يك مدل پيشرفته مورد استفاده قرار خواهند گرفت. يكي از اهداف اصلي اين پژوهش، ايجاد يك مدل با مرتبه كاهش يافته (Reduced Order Model) است كه مي‌تواند جريان سيال را با دقت بالا و بدون نياز به محاسبات پيچيده و زمان‌بر شبيه‌سازي كند. با استفاده از مدل‌هاي ROM مي‌توان رفتارهاي جريان سيال در اطراف پروانه‌ها را با دقت بالا و هزينه محاسباتي كم‌تر شبيه‌سازي كرد، كه اين موضوع از اهميت ويژه‌اي برخوردار است.

1403/08/30

Hydrodynamic Modeling of Marine Propellers Using the Dynamic Mode Decomposition Method

10/5/2025 12:00:00 AM

This thesis, in the field of fluid mechanics, focuses on the examination and analysis of innovative methods based on extensive data derived from experiments and field measurements, which are rapidly evolving. With the growing volume of data from experiments and simulations, the use of Machine Learning (ML) techniques has gained significant importance as an effective and powerful tool for extracting hidden information and designing efficient models. Machine Learning, as a branch of computer science, employs advanced techniques for pattern recognition, predictive modeling, and computational process optimization, which can be applied in various fields, including fluid mechanics. The present research initially reviews the foundations and fundamental concepts of general Machine Learning algorithms, establishing a solid foundation for a deeper understanding of these techniques and their application in analyzing complex fluid flow data. The subsequent section of this research investigates algorithms driven by dynamic data in dynamical systems, specifically focusing on a method known as Dynamic Mode Decomposition (DMD). The DMD method is a technique for analyzing complex data and understanding the underlying structures of dynamical systems, providing significant capability in decomposing and analyzing the dynamic behaviors of fluid flow. In this study, the DMD method is utilized to analyze complex flows around specific marine propellers. The data obtained from this analysis will serve as a basis for developing an advanced model. One of the primary objectives of this research is to create a Reduced Order Model (ROM) that can simulate fluid flow with high accuracy without requiring complex and time-consuming computations. Using ROM models, fluid flow behaviors around propellers can be simulated with high precision and lower computational costs, which is of particular importance.

پروانه‌هاي دريايي , تجزيه مودهاي ديناميكي , مدل مرتبه كاهش يافته , يادگيري ماشين

Marine Propellers , Dynamic Mode Decomposition , Reduced Order Model , Machine Learning

Mohammad Sadegh Keyvanipour

Dr. N. M. Nouri