MARC

 008260126s2024        us                              c    eng  d
■001000017360370
■00520260202105514
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263336813
■035    ▼a(MiAaPQ)AAI32309268
■035    ▼a(MiAaPQ)GeorgiaTech75195
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aIyengar,  Nikhil.
■24510▼aUncertainty  Quantification  in  High-Dimensional  Supersonic  Flows  Using  Nonlinear  Reduced  Order  Modeling
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a285  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Mavris,  Dimitri  N.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aAcross  the  world,  there  is  a  growing  interest  in  re-introducing  commercial  supersonic  transport  aircraft  (SST).  However,  the  development  of  SSTs  is  dependent  on  the  mitigation  of  sonic  boom  loudness  to  acceptable  levels.  Moreover,  uncertainties  in  the  atmosphere  and  flight  conditions  can  drastically  impact  the  loudness  of  an  aircraft  and  must  be  accounted  for  during  the  design  process  to  avoid  certification  delays.  Given  this  need,  there  has  been  significant  research  on  modeling  the  aerodynamic  field  around  SSTs,  which  is  characterized  by  the  presence  of  strong  shocks  and  nonlinearities,  to  accurately  shape  the  aircraft  sonic  boom  signature  and  guide  downstream  sub-system  analyses.Computational  fluid  dynamics  (CFD)  simulations  closely  match  experimental  aerodynamic  data,  but  each  simulation  can  take  hours  or  days  to  output  a  solution.  For  multi-query  problems,  such  as  uncertainty  quantification  (UQ),  which  require  repeated  evaluation  of  the  expensive  simulation,  this  cost  becomes  computationally  intractable.  Indeed,  this  requirement  for  physics-based  models  conflicts  with  the  high  computational  cost  and  leads  to  a  gap  that  must  be  tackled  to  make  uncertainty  propagation  feasible.  This  thesis  addresses  the  challenge  of  performing  UQ  in  such  high-dimensional,  uncertain  fields.While  there  exist  several  methods  to  reduce  this  cost,  surrogate  models  hold  promise  because  they  are  non-intrusive,  data-driven,  and  cheap  to  evaluate.  Traditionally,  UQ  has  relied  on  data-fit  surrogates  to  predict  scalar  random  variables.  However,  when  applied  to  high-dimensional  fields,  where  there  are  thousands  or  millions  of  coupled  random  variables,  it  is  both  impractical  and  computationally  expensive  to  train  individual  data-fit  models.  Alternatively,  Reduced  Order  Models  (ROM)  have  served  as  promising  candidates  for  providing  parametric  predictions  of  high-dimensional  fields  at  a  reduced  computational  cost.  The  thesis  first  explores  a  recently  developed  ROM-based  tool  for  high-dimensional  UQ  called  POD-PCE.  This  method  relies  on  Proper  Orthogonal  Decomposition  (POD)  for  dimensionality  reduction  and  a  generalized  Polynomial  Chaos  Expansion  (PCE)  for  uncertainty  propagation.  While  its  application  had  been  previously  restricted  to  canonical  test  cases  or  linear  problems,  this  study  thoroughly  investigates  the  robustness  of  the  methodology  in  empirical  data  sets  characterized  by  sharp  discontinuities,  large  nonlinearities,  and  high  dimensionality.  Specifically,  this  thesis  explores  the  performance  of  the  PODPCE  method  in  predicting  aerodynamic  fields  with  shocks.  From  these  studies,  it  is  seen  that  this  tool  is  unable  to  predict  high-speed  flows  with  nonlinearities  as  POD  and  PCE  both  rely  on  approximating  a  nonlinear  space  with  a  linear  model.Thus,  to  address  this  deficiency,  the  research  is  decomposed  into  two  technical  gaps:  The  first  is  to  identify  a  suitable  alternative  to  linear  dimensionality  reduction  and  the  second  is  to  extend  PCE  models  to  handle  nonlinear  probability  spaces.  To  address  the  first  gap,  manifold  learning  algorithms  are  identified  as  a  way  to  potentially  capture  discontinuous  flow  features  more  effectively  than  their  linear  counterparts.  Using  a  series  of  experiments  from  one-dimensional  uncertain  internal  flow  through  ducts  to  two-dimensional  flow  over  an  airfoil  with  several  uncertainties,  the  performance  of  the  manifold  learning  methods  is  assessed.  It  is  observed  that  manifold  learning  approaches  can  better  predict  shocks  and  maintain  accuracy  throughout  the  field  as  well.  It  is  recommended  that  global  approaches  to  manifold  learning,  which  attempt  to  preserve  the  overall  geometry,  be  used  as  they  consistently  capture  both  local  and  global  features.
■590    ▼aSchool  code:  0078.
■650  4▼aAircraft
■650  4▼aMean  square  errors
■650  4▼aSample  size
■650  4▼aMonte  Carlo  simulation
■650  4▼aPartial  differential  equations
■650  4▼aAerodynamics
■650  4▼aNeural  networks
■650  4▼aDecomposition
■650  4▼aPressure  distribution
■650  4▼aMultidimensional  scaling
■650  4▼aVisualization
■650  4▼aGeometry
■650  4▼aAerospace  engineering
■690    ▼a0538
■690    ▼a0800
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360370▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서