دفاع رساله دکتری توسط آقای مهندس مسعود نوبختی
جناب آقای مهندس مسعود نوبختی دانشجوی دکتری دانشکده مهندسی مکانیک دانشگاه علم و صنعت ایران، از رساله خود با عنوان « پیش بینی ضرایب ایرودینامیکی یک پرتابه مشخص به کمک توسعه مدل یادگیری عمیق چند کیفیتی » به راهنمایی جناب آقای دکتر محمدحسن شجاعی فرد در تاریخ 1405/06/16 ساعت 09:30 دفاع خواهد نمود.
استاد راهنما: دکتر محمدحسن شجاعی فرد
استاد مشاور: –
اساتید داور داخلی: دکتر سیدمصطفی حسینعلیپور / دکتر روح الله طالبی توتی
اساتید داور خارجی: دکتر محمد طیبی رهنی / دکتر مصطفی هادی دولابی
چکیده رساله:
طراحی ایرودینامیکی فرآیندی پیچیده و زمانبر است که وابستگی آن به شبیهسازیهای پرهزینه دینامیک سیالات محاسباتی (CFD) توسعه طراحی را با چالش مواجه میکند. این پژوهش، یک چارچوب نوین مبتنی بر یادگیری ماشین و الگوریتمهای بهینهسازی را طی سه فاز متوالی برای تسریع و ارتقای دقت این فرآیند توسعه داده است. در گام نخست، به منظور پیشبینی دقیق ضرایب گشتاور پیچش و نیروی عمودی پرتابه کانارد-کنترل، از معماری شبکههای عصبی عمیق چندکیفیتی بهره گرفته شد. با استفاده از تکنیک یادگیری انتقالی، مدلها ابتدا با استفاده از دادههای ارزانقیمتِ تولیدشده توسط نرمافزار Missile Datcom آموزش دیده و سپس با تعداد بسیار محدودی داده باکیفیتِ CFD تنظیم دقیق شدند.
در گام دوم، یک راهکار نوین برای کاهش وابستگی به دادههای CFD معرفی گردید که طی آن، از طریق یک فرآیند کاهش داده، تنها ۲۷ نقطه به عنوان نقاط «آموزنده برتر» شناسایی و استخراج شدند. برای تقویت عملکرد شبکه بر روی این دادههای تقلیلیافته، تکنیک تزریق نویز به کار گرفته شد و از الگوریتم بهینهسازی ازدحام ذرات (PSO) به طور همزمان برای تعیین سطح نویز بهینه (9/0 درصد) و تنظیم دقیق ضریب میرایی الگوریتم آموزش لونبرگ-مارکوآرت استفاده گردید. نتایج نشان داد که این استراتژی هدفمند، زمان و هزینه شبیهسازیهای CFD را تا ۵۰ درصد کاهش میدهد. مدل نهایی با ثبت خطای بسیار ناچیز (RMSE = 0.0051) و ضریب همبستگی R≈1، اختلافی کمتر از ۱ درصد با نتایج دقیق شبیهسازیهای کامپیوتری نشان داد. همچنین، ارزیابی قابلیت تفسیرپذیری مدل با استفاده از الگوریتم SHAP مشخص کرد که متغیرهای زاویه حمله و پارامترهای هندسی دم، بیشترین نقش را در پایداری و رفتار ایرودینامیکی ایفا میکنند. مقایسه جامع عملکرد این مدل با الگوریتم XGBoost (با خطای RMSE = 0.0961) برتری قاطع و دقت به مراتب بالاترِ شبکه عصبیِ توسعهیافته را به اثبات رساند.
در فاز نهایی، با تکیه بر سرعت پاسخگویی کسر از ثانیهای مدلهای جایگزین، مدلهای توسعهیافته در یک حلقه بهینهسازی طراحی ادغام شدند. الگوریتم PSO با جستجوی کارآمد در فضای طراحی، پیکربندی هندسه کالیبر ۱۲۰ میلیمتری را بر اساس شاخصهای شتاب جانبی (g2) و زاویه حمله تریم (۵ درجه) در تنها ۲۰۰ تکرار با موفقیت بهینه کرد. تعمیمپذیری موفق این متدولوژی بر روی یک هندسه جدید با کالیبر ۱۵۵ میلیمتر نیز اثبات گردید. این مطالعه تأیید میکند که ادغام شبکههای عصبی چندکیفیتیِ دادهکاهشیافته با الگوریتمهای بهینهسازی، ضمن حفظ بالاترین سطوح دقت، موجب جستجوی سریعتر و مؤثرتر فضای طراحی شده و تحولی چشمگیر در کاهش هزینههای توسعه ایرودینامیکی ایجاد مینماید.
در گام دوم، یک راهکار نوین برای کاهش وابستگی به دادههای CFD معرفی گردید که طی آن، از طریق یک فرآیند کاهش داده، تنها ۲۷ نقطه به عنوان نقاط «آموزنده برتر» شناسایی و استخراج شدند. برای تقویت عملکرد شبکه بر روی این دادههای تقلیلیافته، تکنیک تزریق نویز به کار گرفته شد و از الگوریتم بهینهسازی ازدحام ذرات (PSO) به طور همزمان برای تعیین سطح نویز بهینه (9/0 درصد) و تنظیم دقیق ضریب میرایی الگوریتم آموزش لونبرگ-مارکوآرت استفاده گردید. نتایج نشان داد که این استراتژی هدفمند، زمان و هزینه شبیهسازیهای CFD را تا ۵۰ درصد کاهش میدهد. مدل نهایی با ثبت خطای بسیار ناچیز (RMSE = 0.0051) و ضریب همبستگی R≈1، اختلافی کمتر از ۱ درصد با نتایج دقیق شبیهسازیهای کامپیوتری نشان داد. همچنین، ارزیابی قابلیت تفسیرپذیری مدل با استفاده از الگوریتم SHAP مشخص کرد که متغیرهای زاویه حمله و پارامترهای هندسی دم، بیشترین نقش را در پایداری و رفتار ایرودینامیکی ایفا میکنند. مقایسه جامع عملکرد این مدل با الگوریتم XGBoost (با خطای RMSE = 0.0961) برتری قاطع و دقت به مراتب بالاترِ شبکه عصبیِ توسعهیافته را به اثبات رساند.
در فاز نهایی، با تکیه بر سرعت پاسخگویی کسر از ثانیهای مدلهای جایگزین، مدلهای توسعهیافته در یک حلقه بهینهسازی طراحی ادغام شدند. الگوریتم PSO با جستجوی کارآمد در فضای طراحی، پیکربندی هندسه کالیبر ۱۲۰ میلیمتری را بر اساس شاخصهای شتاب جانبی (g2) و زاویه حمله تریم (۵ درجه) در تنها ۲۰۰ تکرار با موفقیت بهینه کرد. تعمیمپذیری موفق این متدولوژی بر روی یک هندسه جدید با کالیبر ۱۵۵ میلیمتر نیز اثبات گردید. این مطالعه تأیید میکند که ادغام شبکههای عصبی چندکیفیتیِ دادهکاهشیافته با الگوریتمهای بهینهسازی، ضمن حفظ بالاترین سطوح دقت، موجب جستجوی سریعتر و مؤثرتر فضای طراحی شده و تحولی چشمگیر در کاهش هزینههای توسعه ایرودینامیکی ایجاد مینماید.
کلمات کلیدی:
یادگیری عمیق، مدل چند کیفیتی، یادگیری انتقالی، ضرایب ایرودینامیکی، دینامیک سیالات محاسباتی، مقادیر SHAP، بهینهسازی ازدحام ذرات (PSO)
