Tillämpning av maskininlärning inom icke-linjär turbulensmodellering
Ladda ner
Publicerad
Typ
Examensarbete på kandidatnivå
Bachelor Thesis
Bachelor Thesis
Program
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Turbulensmodellering är en vital del inom strömningsmekanik, där Navier-Stokes ekvationer ofta måste lösas numeriskt. Detta är väldigt datorkrävande när turbulens uppstår, vilket skapar ett behov av förenklande turbulensmodeller. Genom att använda tidsmedelvärdade Navier-Stokes ekvationer tillsammans med k − ε modellen och en icke-linjära Eddy Vicosity modell kan man minska komplexiteten hos
beräkningar. Huvudsyftet med arbetet är att använda neurala nätverk och Random Forest Regression för att undersöka om konstanterna som används i dessa modeller kan ersättas med funktioner, för att erhålla bättre resultat. Arbetet fann att användningen av ML-konstruerade funktioner presterade bättre än konstanta standardvärden i två av tre fall, samt att neurala nätverk generellt fungerade bättre än random forest regression. Resultaten är lovande och talar för att detta är ett område som bör undersökas vidare.
Beskrivning
Ämne/nyckelord
Turbulensmodellering, Reynoldsspänningar, maskininlärning, neutrala närverk, Random Forest Regression, Square Duct, icke-linjär Eddy Viscosity model, k−ε modell, tidsmedelvärda Navier-Stokes ekvationer