Σκοπός της εργασίας αυτής είναι η υλοποίηση μιας μεθοδολογίας για την ένταξη ενός λογισμικού CAD σε διαδικασίες βελτιστοποίησης μορφής μέσω στοχαστικών μεθόδων ανίχνευσης, στην υπολογιστική ρευστοδυναμική, αλλά και η χρήση βαθιών νευρωνικών δικτύων (Deep Neural Networks, DNN) για την πρόβλεψη ροών ως υποκατάστατο λογισμικού υπολογιστικής ρευστοδυναμικής. Η διπλωματική αυτή εργασία, δομείται έχοντας επιλέξει ως εφαρμογή τη βελτιστοποίηση της γεωμετρίας ενός αγωγού και παρουσιάζει τη σχεδίαση του αρχικού σχήματός του στο εμπορικό πακέτο CAD Solidworks, την παραμετροποίηση του σχήματός του, την αυτοματοποιημένη γένεση πλέγματος στον πλεγματοποιητή Pointwise με χρήση script και μια εκτενή μελέτη της προσομοίωσης της ροής στο εσωτερικό του. Με βάση τα παραπάνω, πραγματοποιείται η βελτιστοποίηση του σχήματός του έχοντας ως συνάρτηση-στόχο τις απώλειες ολικής πίεσης, με τη βοήθεια ενός εξελικτικού αλγορίθμου που περιέχεται στο λογισμικό βελτιστοποίησης EASY. Ως λογισμικό αξιολόγησης χρησιμοποιείται ο οικείος υψηλής ακρίβειας επιλύτης υπολογιστικής ρευστοδυναμικής – CFD PUMA, ο οποίος μαζί με το λογισμικό EASY έχουν αναπτυχθεί στη ΜΠΥΡΒ της Σχολής Μηχανολόγων Μηχανικών του ΕΜΠ. Η μηχανική μάθηση και συγκεκριμένα τα νευρωνικά δίκτυα DNN, έχουν αποδειχθεί ικανά στην επίλυση σύνθετων μη-γραμμικών προβλημάτων, στα οποία περιλαμβάνονται προβλήματα ρευστοδυναμικής. Με κριτήριο το υψηλό υπολογιστικό κόστος της χρήσης λογισμικού CFD στο βρόχο της βελτιστοποίησης, προτείνεται η εκπαίδευση βαθιών νευρωνικών δικτύων (DNN), ύστερα από κατάλληλη ανάλυση, σε δεδομένα που έχουν ληφθεί από το λογισμικό CFD, με σκοπό την αντικατάστασή του εντός του βρόχου της βελτιστοποίησης. Με την προαναφερθείσα μέθοδο, μειώνεται σημαντικά ο απαιτούμενος χρόνος για τον εντοπισμό της βέλτιστης γεωμετρίας, ενώ οι απώλειες που εμφανίζονται στην ακρίβεια είναι επαρκώς μικρές και ελεγχόμενες.
(EL)
The purpose of this thesis is to incorporate the CAD software into the optimization loop, based on stochastic, population-based methods for shape optimization in the field of CFD, but also to implement the use of Deep Neural Networks (DNN) for flow prediction, as a CFD software substitute. Throughout this thesis, the shape optimization of a duct is used as a working example. This thesis includes the duct’s initial design using CAD software Solidworks, its shape parameterization, its automatic mesh generation with scripts using Pointwise and an extensive study (including some parametric studies from the CFD point of view) for its flow simulation. Based on the above, duct’s shape optimization targets the minimization of total pressure losses between its inlet and outlet and this is carried out using the optimization software EASY based on evolutionary algorithms. PUMA, a highly-accurate and computationally CFD solver, which, like EASY, has been developed by the PCOpt Unit of NTUA, is used as the evaluation software.
On the other hand, machine learning and neural networks in particular, which include ANN and DNN, have been proved to be able to solve complex non-linear problems, such as those in fluid dynamics. Given the high computational cost of the use of CFD software in the optimization loop, DNN training - after the proper analysis - using CFD data is proposed, in order to replace the CFD software in the optimization loop. Using the method mentioned above, the time required to find the optimal geometry is significantly reduced, while the loss in accuracy is small and controlled.
(EN)
National Technical University of Athens
