Show simple item record

dc.rights.licenseAl consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.spa
dc.contributor.advisorGonzález Mancera, Andrés Leonardo
dc.contributor.authorGiraldo Grueso, Felipe
dc.date.accessioned2021-08-10T18:33:10Z
dc.date.available2021-08-10T18:33:10Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/1992/51595
dc.description.abstractIn the following paper, three different approaches to study steady state fluid flow using machine learning are presented. Through the use of deep convolutional neural networks, the velocity and pressure fields were obtained by using computational fluid dynamics (CFD) simulations as training data. The first approach, regarding the use of a convolutional neural network, proved to be successful by approximating the velocity and pressure fields with a normalized root mean squared error of (4.96¿1.83)% for the velocity field in the x direction, (17.95¿2.04)% for the velocity field in the y direction and (15.77¿1.66)% for the pressure field. As well as this, the use of this convolutional neural network proved to be (23410¿5405) times faster than common CFD solvers. The second approach, concerning the inclusion of a custom physics informed loss function in the latter convolutional neural network...eng
dc.description.abstractEn el siguiente documento se presentan tres enfoques diferentes para estudiar el flujo de fluidos en estado estable utilizando machine learning. Mediante el uso de redes neuronales convolucionales profundas, se obtuvieron los campos de velocidad y presión utilizando simulaciones de dinámica de fluidos computacional (CFD) como datos de entrenamiento. El primer enfoque, referente al uso de una red neural convolucional, demostró ser exitoso al aproximar los campos de velocidad y presión con un error cuadrático medio normalizado de (4.96¿1.83)% para el campo de velocidad en la dirección x, (17.95¿2.04)% para el campo de velocidad en la dirección y y (15.77¿1.66)% para el campo de presión. Además, el uso de esta red neural convolucional demostró ser (23410¿5405) veces más rápido que las soluciones comunes de CFD. El segundo enfoque, considerando la inclusión de una función de pérdida informada por la física personalizada en esta última red neural convolucional,..spa
dc.format.extent13 hojas
dc.format.mimetypeapplication/pdf
dc.language.isoeng
dc.publisherUniversidad de los Andes
dc.titleDevelopment of a machine learning model based on results obtained from CFD solvers for the ease of the iterative processes in the early stages of designspa
dc.typeTrabajo de grado - Pregradospa
dc.publisher.programIngeniería Mecánica
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.departmentDepartamento de Ingeniería Mecánica
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.subject.armarcDinámica de fluidos
dc.subject.armarcAprendizaje automático (Inteligencia artificial)
dc.subject.armarcRedes neuronales convolucionales
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dc.description.degreenameIngeniero Mecánico
dc.description.degreelevelPregrado
dc.identifier.instnameinstname:Universidad de los Andesspa
dc.identifier.reponamereponame:Repositorio Institucional Sénecaspa
dc.identifier.repourlrepourl:https://repositorio.uniandes.edu.co/spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TPspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa


Files in this item

Thumbnail

Name: 22795.pdf

This item appears in the following Collection(s)

Show simple item record