33454

توسعه الگوريتم يادگيري ماشين در مدل‌سازي هيدروديناميكي به كمك تفكيك مدهاي ديناميكي

كارشناسي ارشد

مهندسي مكانيك

1400

1403/08/25

دكتر نوروزمحمد نوري

دكتر نوروزمحمد نوري

مهندسي مكانيك

در اين پژوهش، روش تفكيك مد ديناميكي (DMD ) به‌عنوان ابزاري كارآمد براي بازسازي و تحليل جريان‌هاي ديناميكي مورد استفاده قرار گرفته است. هدف اصلي، توسعه رويكردي مبتني بر يادگيري ماشين براي پيش‌بيني ويسكوزيته توربولانسي با استفاده از داده‌هاي پيشين و جايگزيني آن با حل مستقيم معادلات توربولانسي، به‌منظور كاهش هزينه‌هاي محاسباتي و بهينه‌سازي شبيه‌سازي جريان‌هاي پيچيده هيدروديناميكي است. براي انجام شبيه‌سازي‌هاي عددي از نرم‌افزار فلوئنت و براي پردازش داده‌ها و كدنويسي از متلب استفاده شده است. تحليل‌ها بر پيش‌بيني ويسكوزيته توربولانسي متمركز بوده تا امكان جايگزيني آن با حل مدل‌هاي توربولانسي فراهم شود و زمان محاسباتي كاهش يابد. از مدل‌هاي كاهش‌يافته (ROM )، براي بازسازي جريان با دقت بالا و زمان پردازش كمتر بهره گرفته شده است. ابتدا، جريان در حفره با درب متحرك به‌عنوان يك حالت پايه در دو حالت سرعت ثابت و متناوب تحليل شد. سپس، جريان حول استوانه در دو و سه بعد بررسي شد كه نشان داد در حالت دوبعدي دقت بازسازي بالا است، اما در حالت سه‌بعدي، به دليل پيچيدگي ساختارهاي توربولانسي، نياز به افزايش تعداد مدهاي DMD وجود دارد. رويكرد ارائه‌شده از روش‌هاي درونيابي، از جمله اسپلاين مكعبي، براي پيش‌بيني ضرايب DMD و ويسكوزيته توربولانسي در هر نقطه و زمان استفاده كرده است. اين روش به‌عنوان بخشي از يادگيري ماشين، داده‌هاي پيشين را براي مدل‌سازي جريان در شرايط جديد به كار گرفته و جايگزيني كارآمد براي حل مستقيم مدل‌هاي توربولانسي فراهم كرده است. در بخش نهايي، تحليل جريان پيرامون پروانه نيمه‌مغروق با استفاده از روش k-omega SST براي حل توربولانس و بهره‌گيري از سرورهاي قدرتمند محاسباتي انجام شد. با استفاده از روش DMD و استخراج 41 مد غالب، بيش از 99.9 درصد انرژي كل جريان بازسازي شد. براي مقايسه بهتر، داده‌هاي سه‌بعدي به مختصات دوبعدي η-ζ تبديل شدند. برخلاف ساير موارد، پيش‌بيني مبتني بر درونيابي در اين بخش، به دليل نياز به داده‌هاي شبيه‌سازي بيشتر و محدوديت‌هاي سخت‌افزاري كه مربوط به كمبود منابع پردازشي و زمان شبيه‌سازي طولاني است، مورد استفاده قرار نگرفت. نتايج اين پژوهش نشان مي‌دهد كه روش DMD در تركيب با يادگيري ماشين، ابزاري مؤثر براي تحليل جريان‌هاي پيچيده، كاهش حجم داده‌ها و افزايش سرعت شبيه‌سازي است. همچنين، به‌كارگيري مقادير پيش‌بيني‌شده‌ي ويسكوزيته توربولانسي به‌جاي حل كامل مدل‌هاي متداول توربولانسي، زمان محاسبات پردازنده (CPU) را تقريبا %30 كاهش داده است (براي جريان دوبعدي استوانه). اين صرفه‌جويي در هزينه محاسباتي، پتانسيل كاربرد صنعتي چنين رويكردهايي را به‌طور قابل ملاحظه‌اي افزايش مي‌دهد.

1404/03/12

Development of a Machine Learning Algorithm for Hydrodynamic Modeling Using Dynamic Mode Decomposition

11/15/2025 12:00:00 AM

This study utilizes the Dynamic Mode Decomposition (DMD) method to reconstruct and analyze dynamic flows efficiently. The main goal is to develop a machine learning-based approach to predict turbulent viscosity using historical data, thereby replacing the direct solution of turbulence equations to reduce computational costs and optimize the simulation of complex hydrodynamic flows. ANSYS Fluent software was used for numerical simulations, and MATLAB was employed for data processing and coding. The analyses focused on predicting turbulent viscosity to enable its substitution for solving turbulence models, consequently decreasing computational time. Reduced Order Models (ROMs) were used to reconstruct the flow with high accuracy and less processing time. First, the flow in a lid-driven cavity was analyzed as a base case under both steady and periodically varying velocity conditions. Then, the flow around a cylinder was investigated in two and three dimensions. The results showed that the reconstruction accuracy is high in the two-dimensional case, but in the three-dimensional case, an increased number of DMD modes was required due to the complexity of the turbulent structures. The presented approach employed interpolation methods, including cubic spline, to predict the DMD coefficients and turbulent viscosity at each point and time. This method, as part of a machine learning framework, utilized historical data to model the flow in new conditions and provided an efficient alternative to directly solving turbulence models. In the final part, the flow analysis around the semi-submerged propeller was performed using the SST turbulence model and leveraging powerful computational servers. Using the DMD method and extracting 41 dominant modes, more than 99.9% of the total flow energy was reconstructed. For better comparison, the three-dimensional data were converted to two-dimensional η-ζ coordinates. Unlike other cases, interpolation-based prediction was not employed in this section due to the need for more simulation data and hardware limitations related to a lack of processing resources and long simulation times. The findings of this research demonstrate that the DMD method, combined with machine learning, is an effective tool for analyzing complex flows, reducing data volume, and accelerating simulations. Furthermore, employing predicted turbulent viscosity values instead of fully solving conventional turbulence models reduced CPU computation time by approximately 30% (for the two-dimensional cylinder flow). This saving in computational cost significantly enhances the potential for industrial applications of such approaches.

يادگيري ماشين , مكانيك سيالات , تفكيك مد ديناميكي , جريان توربولانس , پروانه دريايي

Machine Learning , Fluid Mechanics , Dynamic Mode Decomposition (DMD) , Turbulent Flow , Marine Propeller

Ali Sadani

Dr. Norouz Mohammad Nouri