Η συνεχής συζυγής μέθοδος με συμβατά σχήματα διακριτοποίησης για ροές με μετάβαση και η χρήση βαθέων νευρωνικών δικτύων στη βελτιστοποίηση μορφής στη ρευστομηχανική

Περίληψη

Η Διδακτορική αυτή Διατριβή πραγματεύεται την ανάπτυξη, πιστοποίηση και εφαρμογή μεθόδων και λογισμικού για προβλήματα βελτιστοποίησης μορφής στη ρευστοδυναμική. Έμφαση δίνεται (α) στη μαθηματική διατύπωση, προγραμματισμό και πιστοποίηση της συνεχούς συζυγούς μεθόδου για βελτιστοποίηση μορφής σε ροές συμπιεστού ρευστού με μετάβαση από στρωτή σε τυρβώδη ροή, (β) την ανάπτυξη συμβατών σχημάτων διακριτοποίησης για τις εξισώσεις και οριακές συνθήκες της συνεχούς συζυγούς μεθόδου και (γ) τη χρήση Βαθέων Νευρωνικών Δικτύων (ΒΝΔ) για προβλέψεις ροής και την αποτίμηση του κέρδους στη βελτιστοποίηση μορφής. Τα δύο πρώτα θέματα σχετίζονται με μεθόδους αιτιοκρατικής βελτιστοποίησης, ενώ το τελευταίο με τη μείωση κόστους στους Εξελικτικούς Αλγορίθμους. Στη Διατριβή, χρησιμοποιείται ο οικείος επιλύτης PUMA των εξισώσεων (U)RANS που εκτελείται σε επεξεργαστές καρτών γραφικών και έχει αναπτυχθεί από τη Μονάδα Παράλληλης Υπολογιστικής Ρευστοδυναμικής & Βελτιστοποίησης (ΜΠΥΡ&Β) του ΕΜΠ. Ο επιλύτης συμπ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this PhD Thesis, methods and tools for shape optimization in fluid dynamics are developed, assessed and applied. Emphasis is laid on (a) the mathematical formulation, programming and assessment of the continuous adjoint method for shape optimization in transitional flows of compressible fluids, (b) the development of consistent discretization schemes for the adjoint PDEs and adjoint boundary conditions involved in continuous adjoint and (c) the use of Deep Neural Networks (DNNs) in flow predictions and demonstration of the expected gain in shape optimization. The two first subjects are related to Gradient-Based (GB) optimization, whereas the last one is associated with the more efficient use of Evolutionary Algorithms (EAs).Throughout this Thesis, the in–house GPU–enabled (U)RANS solver PUMA, developed by the Parallel CFD & Optimization Unit of the NTUA, is used. The compressible flow solver of PUMA, previously developed for turbulent flows, is extended to transitional flows. The γ- ...
περισσότερα
Η διατριβή αυτή δεν είναι ακόμα διαθέσιμη ηλεκτρονικά
DOI
10.12681/eadd/56951
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56951
ND
56951
Εναλλακτικός τίτλος
The continuous adjoint method with consistent discretization schemes for transitional flows and the Use of deep neural networks in shape optimization in fluid mechanics
Συγγραφέας
Κοντού, Μαρίνα (Πατρώνυμο: Γεώργιος)
Ημερομηνία
2023
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών. Εργαστήριο Θερμικών Στροβιλομηχανών
Εξεταστική επιτροπή
Γιαννάκογλου Κυριάκος
Μαθιουδάκης Κωσταντίνος
Αρετάκης Νικόλαος
Βουτσινάς Σπυρίδων
Ριζιώτης Βασίλειος
Montomoli Francesco
Rogé Gilbert
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Μηχανολόγου Μηχανικού ➨ Μηχανολογία
Λέξεις-κλειδιά
Αεροδυναμική βελτιστοποίηση μορφής; Συνεχής συζυγής μέθοδος; Σχήματα διακριτοποίησης των συζυγών εξισώσεων; Μοντέλα μετάβασης; Βαθέα νευρωνικά δίκτυα; Μεταπρότυπα μοντέλων τύρβης; Εξελικτικοί αλγόριθμοι
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.