Physics informed neural networks for computational fluid dynamics
Hesaplamalı akışkanlar dinamiğinde fizikle öğrenen yapay sinir ağları
- Tez No: 782869
- Danışmanlar: DR. ÖĞR. ÜYESİ ALİ KARAKUŞ, DR. ROMİT MAULİK
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Eliptik denklemler, Hesaplamalı akışkanlar dinamiği (HAD), Isıl işlem, Yapay sinir ağları, Elliptic equations, Computational fluid dynamics (HAD), Heat treatment, Artificial neural networks
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, genellikle hesaplamalı akışkanlar dinamiğinde (CFD) kullanılan problemleri modellemek için fizikle öğrenen yapay sinir ağlarını (PINN) kullanıyoruz. PINN herhangi bir ayrıklaştırma şemasına veya ağ oluşturmaya ihtiyaç duymadığından, bu yaklaşımın uygulanması geleneksel sayısal yöntemlere kıyasla daha kolaydır. CFD problemleri bağlamında, ağ parametrelerinin etkisi, çözümün yakınsama ve doğruluğunda gösterilmiştir. PDE'de doğrusal olmama arttıkça, PINN fiziksel olarak anlamlı çözümler sağlamakta zorluk çektiğinden, doğrudan problemlere yönelik çözümler karmaşık olmayan bölgelerde seçilir. Bu nedenle akış problemlerine sağlanan çözümler düşük Reynolds sayılı bölgelerdedir. Uygulamalar Navier-Stokes ve Euler denklemleriyle temsil edilen akış problemlerinin çözümünü içermektedir. Euler denklemlerindeki problemler, mevcut PINN yetenekleri bölgesinde, tek boyutlu bir alandadır. Akış denklemlerini enerji denklemiyle birleştiren ısıl taşınım denklemlerinin çözümü sunulmaktadır. Her kayıp terimindeki ağırlıklandırmanın etkisi, farklı sinir ağı türleri ile birlikte sunulur. Son olarak CFD'de hareketli sınır problemleri için ağ deformasyonu sunulmuştur. Deformasyon eliptik denklemlerle modellenmiştir. Kesin sınır değerleri, sınırın gerçek konumunda olmasını sağlamak için ağ çıkışına uygulanır. Ağın kalitesi, eleman şekli ve alan değişiklikleri ile sunulur.
Özet (Çeviri)
In this work, we use physics-informed neural networks (PINN) to model the problems generally used in computational fluid dynamics (CFD). Since PINN does not need any discretization scheme or mesh generation, this approach is easier to implement compared to conventional numerical methods. In the context of CFD problems, the effect of network parameters is shown in the convergence and the accuracy of the solution. The solutions to forward problems are chosen with simple geometries since as the nonlinearity increases in the PDE, the PINN has difficulties providing physically meaningful solutions. Therefore, the provided solutions to flow problems are in low Reynolds number regions. Applications in this thesis include the solution of flow problems represented with Navier-Stokes and Euler equations. The problems in Euler equations are in a one-dimensional domain. The solution of thermal convection equations that couples the flow equations with the energy equation is presented. The effect of weighting in each loss term is presented along with different neural network types. Mesh deformation for moving boundary problems in CFD is presented. The deformation is modeled with elliptic equations. The exact boundary values are enforced on the network output to ensure the boundary is in its exact position. The quality of the mesh is presented with the element shape and area changes. PINN can be used in sub-tasks that do not affect the accuracy of high-fidelity solvers.
Benzer Tezler
- Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi
Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces
ENGİN DENİZ CANBAZ
Doktora
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT GÜR
- Deep learning based speed up of fluid dynamics solvers
Akışkanlar dinamiği çözücülerinin derin öğrenmeye dayalı hızlandırılması
DENİZ ALPER ACAR
Yüksek Lisans
İngilizce
2022
Havacılık ve Uzay MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ UZOL
- Kısmi diferansiyel denklemleri çözmek için kuantum makine öğrenmesi algoritmaları
Quantum machine learning algorithms for solving partial differential equations
AFRAH NAJIB ABDULLAH FAREA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR CELEBİ
- Tuzlu su desalinasyonunda yapay zeka kullanımı
Application of artificial intelligence in saltwater desalination
RABİYA KARALI TÜRKER
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMANUR AYDINALP PENÇE
- Constructing a reynolds stress model of decaying homogeneous isotropic turbulence using physics informed neural network
Fizik bilgisiyle desteklenmiş sinir ağı kullanarak sönümlenen homojen izotropik türbülans için bir reynolds gerilme modelinin oluşturulması
DENİZ GÜNSEREN
Yüksek Lisans
İngilizce
2026
Havacılık ve Uzay MühendisliğiÖzyeğin ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL ARI
DOÇ. DR. ÖZGÜR ERTUNÇ