Yapay sinir ağları ile akış kontrolü için sayısal yöntemlerin geliştirilmesi

Abstract

Zamana bağlı iki boyutlu dairesel silindir üzerinde laminer (Re=100) ve türbülanslı (Re=20000) rejimlerdeki akışlar ile zamana bağlı iki boyutlu sürülmüş kavite akışı uygulamalarının temel alındığı bu çalışma ile Dikgen Ayrıştırma Yöntemi (DAY) ve Yapay Sinir Ağları (YSA) yardımıyla gerçek zamanlı bir akış kontrolü stratejisi oluşturmak için zaman gerektiren ve uygulama maliyetlerinin yüksek olduğu Hesaplamalı Akışkanlar Dinamiği (HAD) simülasyonlarına gerek duyulmadan, akış alanının düşük mertebeli modellerinden yola çıkılarak, akışın durumunun yeterli düzeyde tahmin edilebileceği sayısal yöntemlerin geliştirilmesi hedeflenmiştir.DAY uygulaması ile bir dizi anlık görüntü sayısından oluşan ve fiziksel akış karakteristiklerini içeren veri topluluğunun zamana ve mekana bağımlı olan yapıları ayrıştırılarak, çözüme en yüksek enerji düzeyinde (frekansta) katkısı olan ve iz bölgesinde devamlı olarak görünüp kaybolan girdaplar incelenerek, veri topluluğunun temel bileşenleri olanak adlandırılan kipler ve bu kiplerin bağıl genlikleri belirlenmiştir.Akış kontrolü için girdap oluşumu ile ilişkilendirilen yapıların zamana bağlı davranışlarının tayini önem taşımaktadır. YSA uygulamasında, silindir yüzeyine yerleştirilen ve en yüksek aktifliğe sahip olan birkaç ayrık noktadan statik basınç değerleri toplayan sensör verileri ile ağ eğitimi için belirlenen spesifik test durumlarının kip genlikleri kullanılarak diğer test durumları için yeni kip genlikleri (girdap oluşumunun temel bileşenlerinin zamana bağlı davranışları) tahmin edilmiştir.Zamana bağlı iki boyutlu sürülmüş kavite akışı uygulamasında, Reynolds sayısının 100, 500, 1000, 5000 ve 10000 olduğu farklı durumlar için iki boyutlu Navier-Stokes denklemlerinin vortisite-akım fonksiyonu yaklaşımı kullanılarak sayısal çözümlemeleri yapılmıştır. Elde edilen verilere iki boyutlu dairesel silindir uygulamasında kullanılan DAY ve YSA yöntemlerinin uygulanmasıyla kavite akış alanındaki girdap oluşumunun temel bileşenlerinin zamana bağlı davranışları tahmin edilmiştir.

In this research, in order to develop a real-time flow control strategy by preventing application of expensive and time-consuming Computational Fluid Dynamics (CFD) simulations, Proper Orthogonal Decomposition (POD) and Artificial Neural Networks (ANN?s) are utilized. Time-dependent two-dimensional laminar (Re=100) and turbulent (Re=20000) fluid flows over a circular cylinder and time-dependent two-dimensional driven cavity flow applications are addressed to develop numerical techniques by observing low-dimensional modeling of the flow fields and to estimate the state of the flow effectively.Proper Orthogonal Decomposition (POD) is a reduced-order modeling technique that enables observation of the chaotic, time-dependent and periodically moving vortices and control of these structures in the flow field. By employing POD, a data ensemble consisting physical flow characteristics within a set of snapshots is separated into its principal components named as modes and relative mode amplitudes according to their energy contents (frequencies).In order to develop a real-time flow control strategy, predictions of mode amplitudes carrying the temporal characteristics of the flow field are essential. The constituted ANN structure predicts mode amplitudes for other test cases where it takes data coming from surface sensors placed on a few discrete points that show the highest activity in terms of static pressure and previously known mode amplitudes of specific test cases.In the application based on time-dependent two-dimensional driven cavity flow, test cases at Reynolds numbers 100, 500, 1000, 5000 and 10000 are investigated numerically by solving two-dimensional Navier-Stokes equations with the vorticity-stream function approach. POD and ANN techniques are also employed for this application to predict temporal characteristics of the flow.