Makine Öğrenimi Yardımıyla Akış Optimizasyonu Problemlerinin Hızlandırılması

Abstract

Hesaplamalı Akışkanlar Dinamiği (HAD) analizleri tasarım iyileştirmelerinde vazgeçilmez olsa da her tasarım noktasında HAD çalışması yürütmek yüksek maliyet ve zaman gerektirir. Bu tezde, HAD tabanlı optimizasyon sürecine makine öğrenmesi (ML) tabanlı yaklaşım modelleri entegre edilerek akış problemlerinin çözüm süresini kısaltmak hedeflenmiştir. Çalışmada önce, literatürde kapsamlı deneysel verisi bulunan Francis-99 türbini için HAD doğrulama analizi yapılmıştır. Ardından türbinin çekiş borusu (draft tube) geometrisi üzerinde biçim optimizasyonu gerçekleştirilmiştir. Optimizasyon sırasında, geleneksel matematiksel yaklaşım modelleri ve farklı ML modelleri (ör. XGBoost, Yapay Sinir Ağları) aynı veri seti üzerinde eğitilerek basınç geri kazanım faktörü (Pressure Recovery Factor) ile performansları kıyaslanmıştır. Sonuçlar, ML modellerinin hâlihazırdaki matematiksel modellere benzer doğruluk sunarken tasarım uzayının taranmasında önemli zaman tasarrufu sağladığını göstermiştir. Ayrıca veri seti hacmi değiştirildiğinde ML yaklaşımlarının esnekliği ve genel başarımı incelenmiş, hangi koşullarda üstünlük sağladıkları ortaya konmuştur.

Although Computational Fluid Dynamics (CFD) analyses are indispensable for design improvement, performing a CFD study at every design point entails significant cost and time. This thesis therefore seeks to accelerate the solution of flow problems by integrating machine-learning-based surrogate models into the CFD-driven optimization process. CFD validation study was carried out for the Francis-99 turbine, which features extensive experimental data in the literature. The turbine's draft-tube geometry was then subjected to shape optimization. During this process, conventional mathematical surrogate models and various ML models (e.g., XGBoost, Artificial Neural Networks) were trained on the same data set and their performances compared using the dimensionless Pressure Recovery Factor. The results show that ML models deliver accuracy comparable to existing mathematical models while providing substantial time savings in scanning the design space. Moreover, by varying the data-set size, the flexibility and overall effectiveness of the ML approaches were assessed, clarifying the conditions under which they outperform their traditional counterparts.