Surrogate modeling of flows in hemodynamics and aerodynamics using machine learning
Makine öğrenmesi tabanlı hemodinamik ve aerodinamik akışların temsilci modellenmesi
- Tez No: 982192
- Danışmanlar: PROF. DR. BARBAROS ÇETİN, DR. ÖĞR. ÜYESİ GÖKBERK KABACAOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, hem biyomedikal hem de mühendislik alanlarında akışkanlar dinamiğini modellemek için geleneksel fizik tabanlı simülasyonlar ile modern makine öğrenimi (ML) tekniklerinin entegrasyonunu araştırmaktadır. Araştırmanın temel motivasyonu, özellikle damar darlığı (stenoz) geometrileri gibi geniş parametre alanlarının incelendiği durumlarda, yüksek doğruluklu simülasyonların getirdiği hesaplama maliyetlerinin sınırlayıcı olmasıdır. Çalışmanın ilk aşamasında, idealize edilmiş stenozlu damarlardaki kan akışı, Hesaplamalı Akışkanlar Dinamiği (CFD) kullanılarak detaylı biçimde analiz edilmiştir. Stenoz geometrisi; uzunluk (L), yükseklik (N) ve şekil üssü (n) olmak üzere üç parametreyle modellenmiş; hem elipsoid hem de süperelipsoid formlarda simülasyonlar gerçekleştirilmiştir. Sonuçlar, N yüksekliğinin hemodinamik parametreler üzerinde en büyük etkiye sahip olduğunu ve bazı konfigürasyonlarda duvar kayma gerilmesinde (WSS) ve basınç farklarında \%300'ün üzerinde artışa neden olduğunu göstermiştir. Ancak bu yüksek doğruluklu simülasyonlar önemli ölçüde zaman ve işlem gücü gerektirdiğinden, hızlı tahminler için yedek (surrogate) modellere ihtiyaç duyulmuştur. Bu ihtiyaca yanıt olarak, ikinci aşamada NACA 4- ve 5-haneli hava profil verileriyle bir makine öğrenimi uygulaması geliştirilmiştir. Bu aşama, veri seti tasarımı, giriş kodlaması, hiperparametre seçimi ve genelleme analizi gibi makine öğrenimi süreçlerini öğrenmek için kontrollü bir ortam sağlamıştır. NACA profil kodlarının ve uçuş koşullarının doğrudan giriş olarak kullanıldığı kompakt bir kodlama yöntemi geliştirilmiş ve aerodinamik katsayılar (kaldırma ve moment) başarılı şekilde tahmin edilmiştir. Bu deneyim, biyomedikal akışlara geçişte kullanılacak modelleme stratejileri için sağlam bir temel oluşturmuştur. Son aşamada, CFD'den elde edilen damar simülasyonu verileriyle eğitilen makine öğrenimi modelleri, stenoz geometrisine dayalı olarak hemodinamik çıktıları (örneğin WSS, basınç farkı) hızlı ve doğru şekilde tahmin etmiştir. Denenen modeller arasında sinir ağları (neural networks), destek vektör regresyonu (SVR) ve topluluk yöntemleri (ensemble models) yer almıştır. Sinir ağları, özellikle veri seti boyutuna karşı daha yüksek duyarlılık göstererek, biyomedikal uygulamalar için güçlü bir aday olduğunu kanıtlamıştır. Geliştirilen bu yedek modeller, hesaplama maliyetini önemli ölçüde azaltırken doğruluktan ödün vermemekte ve gerçek zamanlı klinik değerlendirmeler veya büyük ölçekli parametrik analizler için kullanılabilirlik sunmaktadır. Genel olarak bu tez, fizik temelli analizden elde edilen içgörülerle başlayıp, hava profil verileriyle makine öğrenimi yöntemlerinin test edildiği bir geçiş aşamasıyla devam eden ve sonunda biyomedikal uygulamaya uyarlanan üç aşamalı bir strateji sunmaktadır. Ortaya konulan esnek ve güçlü modelleme çerçevesi, hem mühendislik hem de sağlık alanındaki akışkanlar dinamiği problemlerine hesaplama açısından verimli çözümler sağlamaktadır.
Özet (Çeviri)
This thesis investigates the integration of traditional physics-based simulations and modern machine learning (ML) techniques for modeling fluid dynamics in both biomedical and engineering domains. The primary motivation stems from the computational limitations of high-fidelity simulations, particularly when exploring wide parametric spaces such as stenosis geometries in arteries. The study begins with a detailed Computational Fluid Dynamics (CFD) analysis of blood flow through idealized stenosed vessels. Stenosis geometry was parametrized using length (L), height (N), and shape exponent (n), and simulations were performed using both ellipsoid and superellipsoid profiles. The results demonstrated that stenosis height (N) has the most significant impact on hemodynamic parameters such as wall shear stress and pressure drop, with changes exceeding 300\% in some configurations. However, the high computational cost associated with these simulations highlighted the need for surrogate models capable of rapid prediction. To bridge this gap, an intermediate ML study was conducted using NACA 4- and 5-digit airfoil data. This stage served as a controlled environment to understand the ML modeling pipeline, from dataset design and input encoding to hyperparameter tuning and generalization analysis. A compact, rule-based input encoding was developed from NACA designations and flow conditions, allowing neural networks to predict aerodynamic coefficients efficiently. The insights gained here, in areas such as dataset sensitivity, activation function choice, and model complexity, provided a solid foundation for applying ML to biomedical flows. Building on this groundwork, the final phase of the thesis applied ML models to predict hemodynamic quantities in stenosed vessels directly from geometric parameters. Various algorithms, including neural networks, support vector regression, and ensemble models, were trained on CFD-generated data. Neural networks showed the highest accuracy and strongest sensitivity to dataset size, making them particularly promising for biomedical prediction tasks. The resulting surrogate models significantly reduced computational requirements while maintaining high predictive fidelity, enabling scalable evaluations suitable for real-time clinical decision-making or large parametric studies. Overall, this thesis demonstrates a three-phase strategy: using CFD for physical insight, NACA-based ML for model development, and stenosis-based ML for biomedical application. The result is a flexible and robust modeling framework that leverages the strengths of both simulation and data-driven methods to accelerate research in fluid dynamics.
Benzer Tezler
- Çok amaçlı karar verme metodları ve tekstil sanayiinde bir uygulama
Multiple criteria decision making methods and an application to the textile industry
H.EDA ÖZTÜRK
Yüksek Lisans
Türkçe
1992
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. RAMAZAN EVREN
- İşletmelerde finansman departmanının organizasyonu ve Türkiye'deki uygulamalar
Başlık çevirisi yok
GÜRKAN SÜREN
- Deterministic deployment analysis and implementation of fire stations and teams in metropolitan settlements
Büyükşehir yerleşim bölgelerinde itfaiye istasyon ve ekiplerinin deterministik dağılım analizi ve uygulaması
ONURSAL ÜNAL
