Tillämpning av maskininlärning inom icke-linjär turbulensmodellering

Publicerad

Typ

Examensarbete på kandidatnivå
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

Citation

Arkitekt (konstruktör)

Geografisk plats

Byggnad (typ)

Byggår

Modelltyp

Skala

Teknik / material

Index

item.page.endorsement

item.page.review

item.page.supplemented

item.page.referenced