Investigation of the emission and combustion performance using computational fluid dynamics and deep learning algorithm under different geometries and operating conditions in a natural gas-fired industrial burner
Farklı geometriler ve çalışma koşulları altında, doğalgazla çalışan endüstriyel bir brülörde emisyon ve yanmaperformansının hesaplamalı akışkanlar dinamiği (CFD) vederin öğrenme algoritması kullanılarak incelenmesi
- Tez No: 1006905
- Danışmanlar: PROF. DR. ALİ BAHADIR OLCAY
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Hesaplamalı akışkanlar dinamiği (HAD), Sayısal akışkanlar dinamiği, Türbülanslı yanma, Computational fluid dynamics (HAD), Computational fluids dynamic, Turbulent combustion
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Doğal gaz ve hidrojen-metan yanma sistemlerinin optimizasyonu, enerji verimliliği ve emisyon azaltımı için kritiktir. Bu doktora tezi, Makine Öğrenmesi (ML) ve Derin Öğrenme (DL) tekniklerini Hesaplamalı Akışkanlar Dinamiği (CFD) ile entegre eden hibrit bir çerçeve sunmaktadır. Çalışma; DL tabanlı sıcaklık alanı tahmini için vekil modeller ve Genelleştirilmiş 𝑘 − 𝜔 (GEKO) türbülans modelindeki 𝐶𝑚𝑖𝑥 parametresinin ML destekli optimizasyonuna odaklanmaktadır. Sıcaklık tahmini için yoğun sinir ağları (parametre-görüntü) ve RGB Füzyon ön işlemeli U-Net (görüntü-görüntü) paradigmaları karşılaştırılmıştır. SM1 girdap-stabilize alevine ait 430 CFD simülasyonu ile oluşturulan veri setinde; U-Net tabanlı RGB Füzyon tekniği, 0.0023 MAE değeri ve 0.07 saniye tahmin süresiyle üstün performans sergilemiştir. Model, yüksek doğruluğu (𝑅2 = 0.98) korurken CFD süreçlerinde iki mertebeden fazla hızlanma sağlamıştır. Türbülans optimizasyonu için Latin Hiperküp Örneklemesi ile 225 CFD simülasyonu gerçekleştirilmiştir. SVR, Random Forest ve XGBoost algoritmaları ters (𝑇 → 𝐶𝑚𝑖𝑥) ve ileri (𝐶𝑚𝑖𝑥 → 𝑇) tahminler için eğitilmiştir. SVR en yüksek ters tahmin doğruluğunu (𝑅2 = 0.9842) sağlarken, kısmi bağımlılık analizi 𝐶𝑚𝑖𝑥 parametresinin reaksiyon bölgesinde (𝑥/𝐷 = 1.1–1.6) baskın olduğunu kanıtlamıştır. Deneysel SMH-1 ve SMH-2 referanslarıyla yapılan doğrulamada; ML-kalibreli GEKO modeli, standart SST 𝑘 − 𝜔 modeline kıyasla sıcaklık tahmininde %22, CO tahmininde ise %41 iyileşme sağlamıştır. Geliştirilen“Ortalama Sıcaklık Tahmin Aracı”, karmaşık kalibrasyon süreçlerini saniyelere indirgeyerek hızlı tasarım keşfine olanak tanımaktadır. Bu araştırma, RGB Füzyon tekniği ve GEKO optimizasyonu için sunduğu özgün metodolojiyle literatüre kapsamlı bir katkı sunmaktadır.
Özet (Çeviri)
Optimizing natural gas and hydrogen-methane combustion systems is critical for energy efficiency and emission reduction. This doctoral thesis presents a hybrid framework integrating Machine Learning (ML) and Deep Learning (DL) with Computational Fluid Dynamics (CFD). The research focuses on DL-based surrogate models for temperature field prediction and ML-assisted optimization of the 𝐶𝑚𝑖𝑥 parameter in the Generalized 𝑘 − 𝜔 (GEKO) turbulence model. Two DL paradigms were compared for temperature prediction: parameter-to-image dense neural networks and image-to-image U-Net with RGB Fusion preprocessing. Using 430 simulations of the SM1 swirl-stabilized flame, the U-Net-based RGB Fusion technique achieved superior performance with 0.0023 MAE and 0.07-second prediction time. This model provided over two orders of magnitude speed-up while maintaining high accuracy (𝑅2 = 0.98). For turbulence optimization, 225 CFD simulations were generated via Latin Hypercube Sampling. SVR, Random Forest, and XGBoost were trained for inverse (𝑇 → 𝐶𝑚𝑖𝑥) and forward (𝐶𝑚𝑖𝑥 → 𝑇) predictions. SVR achieved the highest inverse accuracy (𝑅2 = 0.9842), while partial dependence analysis confirmed 𝐶𝑚𝑖𝑥 dominance in the reaction zone (𝑥/𝐷 = 1.1–1.6). Validation against SMH-1 and SMH-2 experimental data showed that the ML-calibrated GEKO model outperformed the baseline SST 𝑘 − 𝜔 model by 22% in temperature and 41% in CO prediction. The developed 'Mean Temperature Predictor' transforms complex calibration into rapid design exploration. This research offers the first comprehensive DL comparison using RGB Fusion and a validated ML framework for GEKO optimization in advanced combustion systems.
Benzer Tezler
- Kıvılcım ateşlemeli doğal gazlı motorlarda hidrojen ilavesinin yanma karakteristiği ve performans üzerine etkisinin had yöntemi ile incelenmesi
Investigation of the effects of hydrogen addition on combustion characteristic and performance of a natural gas-fueled spark-ignition engine using the CFD method
BARIŞ BİNGÜL
Yüksek Lisans
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HİKMET ARSLAN
- Buji ateşlemeli motorda benzin-aseton ve benzin-dimetil eter karışımlarının motor performansına ve emisyonlarına etkilerinin sayısal ve deneysel incelemesi
Numerical and experimental investigation of effects of gasoline-acetone and gasoline-dimethyl ether mixtures on engine performance and emissions in spark ignition engine
EMRAH KANTAROĞLU
Doktora
Türkçe
2022
Otomotiv MühendisliğiKırıkkale ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YAHYA DOĞU
- Doğalgaz-dizel çift yakıtlı motorların performans ve emisyon karakteristiklerinin sayısal olarak incelenmesi
Numerical analysis of performance and emission characteristics of natural gas-diesel dual fuel engines
MURAT DURMAZ
Doktora
Türkçe
2025
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. SELMA ERGİN
- Investigation of RCCI engine emission and performance
RCCI motorlarının emisyon ve performans karakterinin incelenmesi
ELİF GÖZEN
Yüksek Lisans
İngilizce
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CEM SORUŞBAY
- Sıkıştırmalı ateşlemeli motorlarda tasarım ve işletme koşullarına yönelik parametrelerin performans ve emisyona etkilerinin istatistiksel yöntemlerle incelenmesi
Investigation of the effects of engine design and operating parameters on performance and emissions of compression ignition engines by statistical methods
HALİL SARAÇOĞLU
Doktora
Türkçe
2018
Makine Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ SALİM SÖĞÜT