جلسه دفاع پایان نامه کارشناسی ارشد (آقای احمد شیروانی)
موضوع: شتابدهی روش طراحی معکوس پوسته الاستیک به همراه بهینه سازی داده محور توزیع فشار هدف به کمک روشهای یادگیری ماشین و یادگیری عمیق
ارائه دهنده: احمد شیروانی
استادان راهنما: دکتر مهدی نیلی احمدآبادی
استادان داور: دکتر محسن دوازده امامی، دکتر احمدرضا پیشه ور
طراحی اشکال آیرودینامیکی با پارامترهای عملکردی مطلوب یا هندسه بهینه، همیشه به عنوان یک مسئله علمی-کاربردی اساسی مطرح بوده است. لکن، کاهش هزینه محاسباتی روشهای طراحی معکوس یا بهینه سازی آیرودینامیکی، همیشه به عنوان یک چالش در حوزة آیرودینامیک مطرح بوده است. امروزه، تلاش ها و سرمایه گذاری های کلانی در زمینة داده محور کردن حل مسائل مختلف متمرکز شده است. در این پژوهش، داده محور کردن طراحی معکوس به منظور شتابدهی و کاهش هزینه محاسباتی آن مورد توجه است. به دلیل ارجحیت روش های طراحی معکوس آیرودینامیکی تکراری، به دلایل واضحی نظیر قابلیت اعمال آنها بر جریان های پیچیده، در این پژوهش ما از داده های تکرارهای گذشته الگوریتم طراحی معکوس پوسته الاستیک برای به دست آوردن یک تخمین مناسب از هندسة هدف و شتابدهی به سمت آن استفاده می کنیم. بدین منظور از دو مدل یادگیری عمیق متفاوت، یک شبکة FFNN عمیق یا DFNN و یک شبکة LSTM، با آرایش ها و حالت های ورودی و خروجی متفاوت به منظور شناخت هم رابطه بین توزیع فشار و هندسه و هم روند تغییرات هندسه به سمت هندسه هدف، بهره می بریم. آموزش مدل یادگیری ماشین به وسیله داده های کسب شده در مراحل اولیه طراحی معکوس انجام می گیرد و اعتبارسنجی روش توسعه داده شده با بررسی ایرفویل های متفاوت در یک جریان تراکم پذیر رینولدز بالا، در هر دو رژیم لزج و غیرلزج صورت گرفت. نتایج تا 70 و 80 درصد کاهش در هزینه محاسباتی را به ترتیب برای حالت های آفلاین و آنلاین استفاده از ماشین یادگیری با الگوریتم طراحی معکوس را نشان می دهند.
روش های طراحی معکوس به لحاظ اطمینان از بهینه بودن، دقت و واقعی بودن توزیع فشار هدف، دارای محدودیت هستند که مانعی برای توسعه بیشتر این روش ها است. بخش دوم این پژوهش با ترکیب یک روش طراحی معکوس تکراری موسوم به طراحی معکوس پوسته الاستیک و یک شبکه عصبی مصنوعی (ANN) سعی در برطرف کردن چالش های مذکور در حین حفظ نقاط قوت طراحی معکوس دارد. پایگاه داده یا دیتابیس توزیع فشار، که توسط حل میدان جریان توسط روش های دینامیک سیالات محاسباتی (CFD) در طی روند طراحی معکوس به دست آمده است، به منظور آموزش یک مدل یادگیری عمیق برای ارتباط بین توزیع فشار و ضرایب آیرودینامیکی ایجاد شد. سپس، الگوریتم ژنتیک جهت به دست آوردن توزیع فشار بهینه بر روی داده های به دست آمده اعمال شد، که تابع هزینه آن توسط شبکه عصبی یا مدل یادگیری عمیق توسعه یافته تعیین می شود. به منظور ارزیابی قابلیت های ترکیب روش طراحی معکوس- یادگیری ماشین توسعه داده شده، یک ایرفویل توربین باد FX63-137 با مقطع ضخیم به منظور دریافت نسبت ضریب لیفت به درگ بیشینه در یک زاویة حمله مشخص، به عنوان تابع هزینه، بهینه سازی شد و توزیع فشار بهینه آن بصورت همزمان یا آنلاین در طی فرایند طراحی معکوس به دست آمد و شبکه عصبی بطور هوشمند توزیع فشارهای غیرواقعی را از روند بهینه سازی حذف کرد. نتایج بهینه سازی تا 18% افزایش در نسبت ضریب لیفت به درگ نسبت به ایرفویل FX63-137 را نشان می دهد. علاوه بر این، در طی روند بهینه سازی، هندسه های متفاوت با نسبت ضریب لیفت به درگ مشابه به دست آمد.
کلمات کليدی: طراحی معکوس، بهینه سازی، آیرودینامیک، ایرفویل، دینامیک سیالات محاسباتی، الگوریتم پوسته الاستیک، یادگیری ماشین، یادگیری عمیق، شبکه های عصبی مصنوعی، شبکه LSTM، شبکه FFNN، داده محور، شتابدهی به کمک یادگیری ماشین، توزیع فشار هدف، الگوریتم ژنتیک