벽 근처 속도는 벽 경계 흐름의 줄무늬 구조와 밀접한 관련이 있으며 유동 제어에 유용한 정보라고 알려져 있다. 본 연구에서는 난류 채널 유동에서의 벽 근처 속도를 예측하기 위한 인공 신경망(artificial neural network, ANN)을 구축 하였다. ANN에 대한 입력 값으로는 벽 압력 분포를 고려하였다. ANN 학습을 위한 데이터 세트를 확보하기 위해 직접수치모사(direct numerical ...
벽 근처 속도는 벽 경계 흐름의 줄무늬 구조와 밀접한 관련이 있으며 유동 제어에 유용한 정보라고 알려져 있다. 본 연구에서는 난류 채널 유동에서의 벽 근처 속도를 예측하기 위한 인공 신경망(artificial neural network, ANN)을 구축 하였다. ANN에 대한 입력 값으로는 벽 압력 분포를 고려하였다. ANN 학습을 위한 데이터 세트를 확보하기 위해 직접수치모사(direct numerical simulation, DNS)를 사용하여, Reτ = 177에서의 난류 채널 유동에서의 순간 유동장을 생성하였다. ANN의 예측율을 높이기 위해 벽 압력 분포의 크기, 은닉 층의 개수, 은닉 노드의 개수에 대해 파라미터 스터디를 수행하였다. 그 결과, 본 연구에서는 난류 채널 유동 내 벽 근처 속도를 성공적으로 예측하였다. 성공적으로 학습된 가중치와 바이어스를 사용하여 ANN 기반 벽 압력 센서를 이용한 난류 채널 유동 내 반대 제어를 수행함으로써 난류 채널 유동의 항력을 약 16% 감소시켰다.
벽 근처 속도는 벽 경계 흐름의 줄무늬 구조와 밀접한 관련이 있으며 유동 제어에 유용한 정보라고 알려져 있다. 본 연구에서는 난류 채널 유동에서의 벽 근처 속도를 예측하기 위한 인공 신경망(artificial neural network, ANN)을 구축 하였다. ANN에 대한 입력 값으로는 벽 압력 분포를 고려하였다. ANN 학습을 위한 데이터 세트를 확보하기 위해 직접수치모사(direct numerical simulation, DNS)를 사용하여, Reτ = 177에서의 난류 채널 유동에서의 순간 유동장을 생성하였다. ANN의 예측율을 높이기 위해 벽 압력 분포의 크기, 은닉 층의 개수, 은닉 노드의 개수에 대해 파라미터 스터디를 수행하였다. 그 결과, 본 연구에서는 난류 채널 유동 내 벽 근처 속도를 성공적으로 예측하였다. 성공적으로 학습된 가중치와 바이어스를 사용하여 ANN 기반 벽 압력 센서를 이용한 난류 채널 유동 내 반대 제어를 수행함으로써 난류 채널 유동의 항력을 약 16% 감소시켰다.
It is well known that the near wall velocity is closely related to the streaky structure in the wall bounded flow and it is a useful information for the control of the flow. In the present study, we construct an artificial neural network (ANN) to predict near wall velocity in turbulent channel flow....
It is well known that the near wall velocity is closely related to the streaky structure in the wall bounded flow and it is a useful information for the control of the flow. In the present study, we construct an artificial neural network (ANN) to predict near wall velocity in turbulent channel flow. As an input for ANN, wall pressure distribution below the near wall velocity to be predicted is chosen. For the learning process to build this ANN, instantaneous flow data sets are obtained from direct numerical simulation of turbulent channel flow at Reτ = 177. The performance of ANN is examined according to the plane size of wall pressure as an input, number of hidden layer, number of hidden nodes, and etc. It is found that the present ANN based on wall pressure successfully predicts the near wall velocity. By conducting the ANN-based opposition control with wall pressure sensor using learned weights and bias, the skin friction of turbulent channel flow is reduced by 16%.
It is well known that the near wall velocity is closely related to the streaky structure in the wall bounded flow and it is a useful information for the control of the flow. In the present study, we construct an artificial neural network (ANN) to predict near wall velocity in turbulent channel flow. As an input for ANN, wall pressure distribution below the near wall velocity to be predicted is chosen. For the learning process to build this ANN, instantaneous flow data sets are obtained from direct numerical simulation of turbulent channel flow at Reτ = 177. The performance of ANN is examined according to the plane size of wall pressure as an input, number of hidden layer, number of hidden nodes, and etc. It is found that the present ANN based on wall pressure successfully predicts the near wall velocity. By conducting the ANN-based opposition control with wall pressure sensor using learned weights and bias, the skin friction of turbulent channel flow is reduced by 16%.
주제어
#Artificial neural network Opposition control Turbulent wall-bounded flow Prediction Pressure sensor
학위논문 정보
저자
윤진혁
학위수여기관
아주대학교 일반대학원
학위구분
국내석사
학과
기계공학과
지도교수
이정일
발행연도
2018
총페이지
33 p.
키워드
Artificial neural network Opposition control Turbulent wall-bounded flow Prediction Pressure sensor
※ AI-Helper는 부적절한 답변을 할 수 있습니다.