Детальная информация

Данная работа посвящена совершенствованию суррогатной модели, разработанной на основе методов машинного обучения (МО) в рамках ВКР бакалавра Д.А. Муранова (2024 г.). Основные задачи и методы исследования: 1. Обзор литературных источников, посвященных результатам использования методов МО для разработки суррогатных моделей применительно к сложным гидродинамическим задачам. 2. Изучение особенностей физической постановки задачи о турбулентном течении несжимаемой жидкости в канале с крутым поворотом потока в составе обратного канала центробежного компрессора. 3. Анализ основных результатов ВКР Д.А. Муранова с установлением  направлений возможных улучшений суррогатной модели для построения регрессионных функций, предсказывающих коэффициент потерь давления. 4. Проведение серии гидродинамических расчетов по проблеме с помощью CFD-кода SINF и скриптов автоматизации. 5. Программная доработка моделей МО на основе открытых библиотек, реализация методик улучшения качества моделей. 6. Анализ результатов, формулировка выводов и возможных направлений дальнейших исследований. В результате проведения CFD-расчетов получен обширный набор (более 3800 вариантов) данных численного моделирования по физической проблеме, позволивший более точно установить степень влияния отдельных параметров канала на структуру течения и коэффициент потерь давления. Исследования, направленные на улучшение классических моделей МО не позволили существенно повысить качество моделей. Произведена разработка и изучены возможности нейросетевой модели Колмогорова-Арнольда, а также новой стратегии активного обучения, выполнен сравнительный анализ моделей и стратегий.

This work is devoted to improving the surrogate model developed on the basis of machine learning (ML) methods in the framework of the Bachelors thesis by D.A. Muranov (2024). The main objectives and research methods: 1. Review of literature sources devoted to the results of using ML methods for the development of surrogate models in relation to complex hydrodynamic problems 2. Study of the features of the physical formulation of the problem of the turbulent flow of an incompressible fluid in a channel with a sharp turn of the flow as part of the return channel of a centrifugal compressor. 3. Analysis of the main results of D.A. Muranovs research work with the establishment of directions for possible improvements of the surrogate model for constructing regression functions predicting the pressure loss coefficient. 4. Conducting a series of hydrodynamic calculations on the problem using SINF CFD code and automation scripts. 5. Software modification of ML models based on open libraries, implementation of methods for improving the quality of models. 6. Analysis of the results, formulation of conclusions and possible directions for further research. As a result of CFD calculations, an extensive set (more than 3,800 variants) of numerical simulation data on the physical problem was obtained, which made it possible to more accurately determine the degree of influence of individual channel parameters on the flow structure and the pressure loss coefficient. Studies aimed at improving classical ML models by selecting hyperparameters have not significantly improved the quality of the models. The possibilities of the Kolmogorov-Arnold neural network model in relation to the task under consideration, as well as a new active learning strategy, were developed and studied, and a comparative analysis of models and strategies was performed.

• ВВЕДЕНИЕ
• 1.​ОБЗОР ЛИТЕРАТУРЫ
• 2.​ПОСТАНОВКА ЗАДАЧИ, МАТЕМАТИЧЕСКАЯ МОДЕЛЬ И ФОРМИРОВАНИЕ ДАННЫХ ДЛЯ МАШИННОГО ОБУЧЕНИЯ
• 3.​РЕЗУЛЬТАТЫ ГИДРОДИНАМИЧЕСКИХ РАСЧЕТОВ
• 4.​МЕТОДИКА СОЗДАНИЯ И ПРИМЕНЕНИЯ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ЗАДАЧИ РЕГРЕССИИ
• 5.​НАПРАВЛЕНИЯ УЛУЧШЕНИЙ БАЗОВОЙ СУРРОГАТНОЙ МОДЕЛИ И ОСНОВНЫЕ ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ
  • 5.1.​Кратко о программных инструментах и аппаратных ресурсах
  • 5.2.​Обучение и настройка гиперпараметров для разных моделей с использованием пассивного обучения
  • 5.3.​Применение и оценка качества методов активного обучения
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ 1
• ПРИЛОЖЕНИЕ 2