dc.contributor	Mendez Miguel Alfonso : 68032
dc.contributor.advisor	Fraňa Karel, prof. Ing. Ph.D. : 55679
dc.contributor.author	Bayer, Jan
dc.date.accessioned	2021-08-20T12:01:58Z
dc.date.available	2021-08-20T12:01:58Z
dc.date.committed	2022-4-30
dc.date.defense	2021-06-22
dc.date.submitted	2020-11-1
dc.date.updated	2021-6-22
dc.degree.level	Ing.
dc.description.abstract	Tato diplomová práce se zabývá modelováním spektra tlakových fluktuací u stěny v turbulentní mezní vrstvě založeným na datech. Současné semi-empirické modely predikují spektrum tlakových fluktuací u stěny z čistě lokálních veličin mezní vrstvy (přístup One-to-One). Historie proudění je v těchto modelech reprezentována pouze některými parametry. Nový přístup navrhuje použít k predikci spektra tlakových fluktuací u stěny v jednom bodě více bodů proti proudu tekutiny (přístup Many-to-One). Neuronové sítě jako modely založené na datech jsou navrženy pro model jak s přístupem One-to-One, tak i Many-to-One. Použitá databáze se skládá z jednoho experimentálního a tří numerických (proudění okolo controlled-diffusion profilu) souborů dat. Relevantní parametry mezní vrstvy jsou extrahovány z databáze a zpracovány do bezrozměrného vztahu. Nejprve se natrénují dva One-to-One modely s dopřednou neuronovou sítí. Oba dobře predikují spektra z databáze. Jeden z modelů je natrénován pouze na souboru dat s controlled-diffusion profily, aby byla k dispozici srovnávací architektura. Za druhé jsou natrénovány dvě Many-to-One dopředné neuronové sítě se dvěma a deseti pozicemi v mezní vrstvě. Model se dvěma pozicemi vylepšuje model One-to-One. Desetipoziční model takové zlepšení nepřináší. Oba tyto modely však predikují spektra poměrně dobře. Zatřetí, Many-to-One model konvoluční neuronové sítě je natrénován se vstupy s proměnným počtem pozic. Model však na proměnný počet pozic nereaguje dobře. Predikce modelu tedy nebyla dobrá. Kromě aplikace neuronových sítí je teoreticky zkoumáno použití modelů Many-to-One. Závěrem lze k novému přístupu říci, že model Many-to-One se dvěma pozicemi sice přináší určité zlepšení, ale není tak výrazné. Potvrzuje se, že model Many-to-One využívá hodnoty, které jsou proti proudu tekutiny a že modely Many-to-One mohou predikovat spektra tlakových fluktuací u stěny.	cs
dc.description.abstract	This master thesis deals with a data-driven approach to the turbulent boundary layer wall pressure spectral modelling. Current wall pressure spectra semi-empirical models predict the spectra from purely local boundary layer quantities (a One-to-One approach). The flow history is only represented by some parameters in these models. A novel approach suggests using multiple upstream points to predict the wall pressure spectra at one point (a Many-to-One approach). Neural networks as data-driven models are proposed to build a model with a One-to-One and Many-to-One approach. A database of one experimental and three numerical (controlled-diffusion airfoil) datasets is used. Relevant boundary layer parameters are extracted from the database and processed into a dimensionless relation. Firstly, two One-to-One models with a feedforward neural network are trained. Both of them predict the spectra from the dataset reasonably well. One of the models is trained only on the airfoil datasets to have a comparison architecture. Secondly, two Many-to-One feedforward neural networks are trained with two and ten positions in the inputs. The two positional model improves the One-to-One model. The ten positional model does not bring such improvement. Both of these models predict the spectra reasonably well. Thirdly, a Many-to-One convolution neural network model is trained with variable-length inputs. However, the model did not react well on the variable-length inputs. The prediction of the model was not great. In addition to these models, the use of the Many-to-One models is investigated in theory. To conclude the novel approach, the two positional Many-to-One model does bring some improvement, but it is not that significant. However, the investigation confirms that the upstream values are used in the Many-to-One models and that the Many-to-One models can predict the wall pressure spectra.	en
dc.description.mark
dc.format	96 (141 300)
dc.format.extent	Ilustrace, Grafy, Tabulky
dc.identifier.signature	V 202103182
dc.identifier.uri	https://dspace.tul.cz/handle/15240/160715
dc.language.iso	cs
dc.relation.isbasedon	par[1]~HIRSCH, Ch.~Numerical computation of internal and external flows. Volume 1, Fundamentals of computational fluid dynamics. 2nd ed. Oxford: Elsevier, 2007. ISBN 978-0-7506-6594-0.par par[2]~CHUNG, T. J.~Computational fluid dynamics. Cambridge: Cambridge University Press, 2002. ISBN 0-521-59416-2.par par[3]~VERSTEEG, H. K. a W. MALALASEKERA.~An introduction to computational fluid dynamics: the finite volume method. 2nd ed. Harlow: Pearson Prentice Hall, 2007. ISBN 978-0-13-127498-3.par
dc.rights	Vysokoškolská závěrečná práce je autorské dílo chráněné dle zákona č. 121/2000 Sb., autorský zákon, ve znění pozdějších předpisů. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou https://knihovna.tul.cz/document/26	cs
dc.rights	A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act. https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics https://knihovna.tul.cz/document/26	en
dc.rights.uri	https://knihovna.tul.cz/document/26
dc.rights.uri	https://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf
dc.subject	model pro spektra tlakových fluktuací u stěny	cs
dc.subject	turbulentní mezní vrstva	cs
dc.subject	strojové učení	cs
dc.subject	neuronová síť	cs
dc.subject	wall pressure spectral model	en
dc.subject	turbulent boundary layer	en
dc.subject	machine learning	en
dc.subject	neural network	en
dc.title	Inferring wall pressure spectral model using neural networks	cs
dc.title	Inferring wall pressure spectral model using neural networks	en
dc.type	diplomová práce	cs
local.degree.abbreviation	Magisterský
local.degree.discipline	MT
local.degree.programme	Strojní inženýrství
local.degree.programmeabbreviation	M2301
local.department.abbreviation	KEZ
local.faculty	Fakulta strojní	cs
local.faculty.abbreviation	FS
local.identifier.author	S19000211
local.identifier.stag	41792
local.identifier.verbis
local.identifier.verbis	d322951e-737f-45d5-ac98-1998148767b4
local.note.administrators	automat
local.note.secrecy	Povoleno ZverejnitPraci Povoleno ZverejnitPosudky
local.poradovecislo	3182

Inferring wall pressure spectral model using neural networks

Files

Original bundle

Collections