Şentürk, UtkuGençer, Türkay2025-04-082025-04-082024https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=E_eEUHQic_C-LvhxNQn1W8lfkxLKwj7YZOeDvnybEB_1dKDClJorRe_oO1cOAwx1https://hdl.handle.net/11454/117049Bu tezde sıkıştırılamaz ve laminer dış akışlar için Hesaplamalı Akışkanlar Dinamiği (HAD) çözücüsünden gelen verilere dayalı çalışan derin öğrenme temelli bir alternatif hesaplama tekniğinin geliştirilmesi amaçlanmıştır. Geleneksel HAD çözücü kodları yüksek doğruluklu olmakla beraber, karmaşık problemler için epey zaman alıcı olmaktadırlar. Karmaşık problemleri modelleme ve tahmin etme kabiliyeti ile derin öğrenme yöntemi, sıkıştırılamaz ve laminer akış problemlerini çözmek için kullanılabilecek verimliliği artırıcı bir alternatif olarak görünmektedir. Çalışmada sıkıştırılamaz ve laminer dış akış hareketlerini çözmek için kullanılan Navier-Stokes denklemlerinin çözümlerini tahmin etmek için yapay sinir ağları oluşturulmuştur. Bu sinir ağları ile dış akış problemlerini test etmek için Re=20 ve 40 için silindir üzerindeki akış ile \Re=1000 ve hücum açısı 0–8 derece için bir NACA0012 kanat profili üzerindeki akış ele alınmıştır. Geliştirilen yöntemin performansı, geleneksel HAD çözücü kodu ile karşılaştırıldığında akış alanı için %7'nin altında, silindir ve kanat yüzeylerindeki basınç dağılımı için %1,5'in altında ortalama hata ile tahminler yapabildiği ve bu tahminleri geleneksel HAD çözücü koduna oranla 33,5 kat daha hızlı gerçekleştirdiği gözlemlenmiştir. Elde edilen sonuçlara dayanarak laminer ve sıkıştırılamaz dış akışların tahmin edilmesinde derin öğrenme yönteminin kullanılması, özellikle fazla sayıda simülasyon gerçekleştiren analiz mühendislerinin çözüm sürelerini yüksek oranda hızlandıracağı görülmektedir.trinfo:eu-repo/semantics/openAccessLaminersıkıştırılamaz akışhesaplamalı akışkanlar dinamiği (HAD)derin öğrenmeyapay sinir ağısilindirkanatNACA0012.Laminarincompressible flowcomputational fluid dynamics (CFD)deep learningartificial neural networkcylinderairfoilMaster Thesis914793