Surrogate modeling of aerodynamic surfaces using geometric deep learning
Aerodinamik yüzeyler için geometrik derin öğrenme tabanlı vekil modelleme
- Tez No: 1013096
- Danışmanlar: PROF. DR. MURAT MANGUOĞLU, DOÇ. DR. HANDE ALEMDAR
- Tez Türü: Yüksek Lisans
- Konular: Havacılık ve Uzay Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Aeronautical Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Aerodinamik tasarım süreçlerinde yüzey üzerindeki basınç, duvar kayma gerilmesi ve sıcaklık gibi fiziksel niceliklerin yüksek doğrulukla hesaplanması oldukça önemlidir. Veri Odaklı Derin Öğrenme yöntemleri tasarım döngülerini hızlandıran güçlü vekil modeller olarak öne çıkmaktadır. Hesaplamalı Akışkanlar Dinamiği (CFD) analizlerinde kullanılan çözüm ağları düğümlerin uzaysal koordinatlar taşıdığı ve kenarların fiziksel komşuluk ilişkilerini kodladığı geometrik ve ilişkisel bir yapıya sahiptir. Geometrik Derin Öğrenme (GDÖ) çerçevesi bu tür Öklid-dışı geometriler üzerinde çalışan mimarileri kapsamakta olup ağ tabanlı HAD vekil modellemesi için elverişli bir yaklaşım sunmaktadır. Bu tezde farklı aerodinamik yüzeyler üzerinde oluşan akış kaynaklı fiziksel niceliklerin tahminini gerçekleştiren GDÖ yöntemlerinin performansları incelenmiştir. Modellerin genelleme yeteneğini ölçmek adına farklı akış koşullarını içeren kapsamlı 2D ve 3D veri setleri oluşturulmuştur. Örgü tabanlı simülasyonların öğrenilmesi konusunda başarı gösteren MeshGraphNet mimarisi referans alınarak modelin ifade gücünü artırmak amacıyla uygulanan yapısal ve geometrik iyileştirmelerin etkisi incelenmiştir. Grafik sinir ağı (GNN) yapısından farklı bir ilişkisel paradigma olarak Transformer mimarisini fiziksel simülasyonlara uyarlayan Transolver modelinin performansı değerlendirilmiştir. Son olarak GNN yapısının yerel etkileşimleri öğrenme yeteneği ile Transformer yapısının bütünsel bağlamı kavrama kapasitesini birleştiren hibrit bir model mimarisi geliştirilmiştir. Modeller düğüm bazlı hata metrikleri, aerodinamik katsayı korelasyonları ve hesaplama hızları açısından karşılaştırmalı olarak incelenmiştir. Elde edilen sonuçlar Geometrik Derin Öğrenme yöntemlerinin aerodinamik yüzey dağılımlarını yüksek doğrulukla öğrendiğini ve önerilen hibrit mimarinin ve model geliştirmelerinin özellikle yüksek düğüm sayısı içeren 3D veri setlerinde model ifade gücünü artırarak tahmin hatasını belirgin oranda düşürdüğünü göstermektedir.
Özet (Çeviri)
Accurate calculation of physical quantities such as surface pressure, wall shear stress, and temperature is crucial in aerodynamic design processes. Data-Driven Deep Learning methods have emerged as powerful surrogate models that accelerate design cycles. Meshes employed in Computational Fluid Dynamics (CFD) simulations possess an inherently geometric and relational structure, where nodes carry spatial coordinates and edges encode physical adjacency on the discretized domain. Geometric Deep Learning (GDL) framework encompasses architectures that operate on such non-Euclidean domains, making it suitable for mesh-based CFD surrogate modeling. In this thesis, the performance of GDL-based methods in predicting flow-induced physical quantities on various aerodynamic surfaces is investigated. To evaluate the generalization capability of the models, comprehensive 2D and 3D datasets with diverse flow conditions were generated. The MeshGraphNet architecture which has proven successful in learning mesh-based simulations is taken as a baseline and the effects of structural and geometric improvements applied to enhance the model's expressive power were examined. To explore relational paradigms beyond standard graph neural networks (GNN), the performance of the Transolver model, which adapts the Transformer architecture to physical simulations through geometry-aware attention, was evaluated. Finally, a hybrid model architecture was developed to combine the GNN's ability to learn local interactions with the Transformer's capacity to comprehend the global context. The models were comparatively analyzed in terms of node-based error metrics, aerodynamic coefficient correlations, and training throughput. The results showed that GDL-based methods learn aerodynamic surface distributions with high accuracy, and the proposed hybrid architecture and model enhancements significantly reduced prediction error, particularly on 3D datasets containing high node counts.
Benzer Tezler
- Eksenel kompresörlerde oluk genişliği ve en-boy oranının aerodinamik performansa etkisinin HAD ile analizi
CFD-based analysis of casing groove width and aspect ratio effects on axial compressor aerodynamic performance
KEREM ÖZÇELİK
Yüksek Lisans
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. LEVENT ALİ KAVURMACIOĞLU
- A new nonlinear lifting line method for configuration aerodynamics and deep learning based aerodynamic surrogate models
Konfigürasyon aerodinamiği analizi ve derin öğrenme bazlı aerodinamik dijital model oluşturmak için yeni bir doğrusal olmayan taşıyıcı çizgi metodu
HASAN KARALİ
Yüksek Lisans
İngilizce
2020
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. MAHMUT ADİL YÜKSELEN
PROF. DR. GÖKHAN İNALHAN
- Multi-Task U-Net Surrogate for Aerodynamic and Aeroacoustic Source Field Prediction of Airfoils
Kanat Profillerinin Aerodinamik ve Aeroakustik Kaynak Alanı Tahmini için Çoklu Görev U-Net Vekil Modeli
YUSUF AKTAŞ
Yüksek Lisans
İngilizce
2026
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. BAHA ZAFER
- A framework for composite wind turbine blades: From material development to structural optimisation and ml-enhanced damage detection
Rüzgar türbinleri için hibrit kompozit temelli kanat malzemesi geliştirilmesi, yapısal optimizasyonu ve makine öğrenmesi ile hasar tespiti ve yapısal analiz entegrasyonu
KEMAL HASIRCI
Doktora
İngilizce
2026
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALAEDDİN BURAK İREZ
- A multi-disciplinary design approach for conceptual sizing of advanced rotor blades
Gelişmiş rotor palalarının kavramsal boyutlandırması için çok disiplinli tasarım yaklaşımı
HASAN İBAÇOĞLU
Doktora
İngilizce
2022
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. AYTAÇ ARIKOĞLU