Dissertation/ Thesis
Artificial neural networks augmented reduced order models for fluid-based optimization problems
| Τίτλος: | Artificial neural networks augmented reduced order models for fluid-based optimization problems |
|---|---|
| Συγγραφείς: | Dar, Zulkeefal |
| Thesis Advisors: | Codina, Ramon, Baiges Aznar, Joan, Escola Tècnica Superior d'Enginyeria de Camins, Canals i Ports de Barcelona |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Politècnica de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 190 p. |
| Θεματικοί όροι: | Reduced Order Modeling (ROM), Artificial Neural Networks (ANN), Computational Fluid Dynamics (CFD), Variational Multiscale Method (VMS), Finite Element Method (FEM), Optimization, Àrees temàtiques de la UPC::Enginyeria civil, Àrees temàtiques de la UPC::Enginyeria mecànica, Àrees temàtiques de la UPC::Matemàtiques i estadística, 624 - Enginyeria civil i de la construcció en general, 531/534 - Mecànica. Vibracions. Acústica, 51 - Matemàtiques |
| Περιγραφή: | (English) This work presents an artificial neural network (ANN) augmented reduced order modeling framework for transient fluid-based optimization problems. The methodology builds upon a projection-based reduced order model (PROM) derived from a variational multiscale stabilized finite element formulation. While PROMs offer significant computational savings, their predictive capability deteriorates in strongly nonlinear regimes and under parameter variations, particularly when employed within transient optimization loops. To ensure computational efficiency during the repeated evaluations required by the optimization procedure and transient nature of the problem, hyper-reduction is incorporated into the reduced framework. Although this further decreases computational cost, it introduces an additional approximation, which may amplify the loss of accuracy already caused by modal truncation. To address these limitations, a data-driven correction strategy is introduced in which an ANN is trained to approximate the error in the fully discrete reduced system. Rather than replacing the reduced model or directly correcting the solution, the ANN is embedded as an additive correction term in the fully discrete reduced equations. In this sense, it acts as a closure model that compensates for the combined effects of modal truncation and hyper-reduction. The correction restores consistency between the reduced evolution and the underlying high-fidelity solution while preserving the original Galerkin projection structure. The proposed framework is assessed in the context of aerodynamic shape optimization at low Reynolds number and high angle of attack, where nonlinear flow features challenge standard reduced models. The optimization is carried out using a gradient-based strategy, and the ANN-augmented reduced model is used as a surrogate to accelerate the objective function evaluation within the optimization loop. Results demonstrate that the proposed approach significantly improves predictive accuracy compared to the classical projection-based reduced model, while retaining substantial computational savings with respect to the full order model. |
| Description (Translated): | (Català) Aquest treball presenta un marc de modelització d’ordre reduït augmentat mitjançant xarxes neuronals artificials (ANN) per a problemes d’optimització transitoris basats en fluids. La metodologia es basa en un model d’ordre reduït basat en projecció (PROM) derivat d’una formulació d’elements finits estabilitzada mitjançant multiescala variacional. Tot i que els PROM ofereixen importants estalvis computacionals, la seva capacitat predictiva es deteriora en règims fortament no lineals i sota variacions paramètriques, especialment quan s’empren dins de bucles d’optimització transitoris. Per garantir l’eficiència computacional durant les avaluacions repetides requerides pel procediment d’optimització i la naturalesa transitòria del problema, s’incorpora la hiper-reducció en el marc reduït. Tot i que això redueix encara més el cost computacional, introdueix una aproximació addicional que pot amplificar la pèrdua de precisió ja causada per la truncació modal. Per abordar aquestes limitacions, s’introdueix una estratègia de correcció basada en dades en la qual una ANN s’entrena per aproximar l’error en el sistema reduït completament discret. En lloc de substituir el model reduït o corregir directament la solució, la ANN s’integra com un terme de correcció additiu en les equacions reduïdes completament discretes. En aquest sentit, actua com un model de tancament que compensa els efectes combinats de la truncació modal i la hiper-reducció. La correcció restableix la consistència entre l’evolució reduïda i la solució d’alta fidelitat subjacent, preservant al mateix temps l’estructura original de projecció de Galerkin. El marc proposat s’avalua en el context de l’optimització de forma aerodinàmica a baix nombre de Reynolds i alt angle d’atac, on les característiques no lineals del flux desafien els models reduïts estàndard. L’optimització es duu a terme mitjançant una estratègia basada en gradients, i el model reduït augmentat amb ANN s’utilitza com a substitut per accelerar l’avaluació de la funció objectiu dins del bucle d’optimització. Els resultats demostren que l’enfocament proposat millora significativament la precisió predictiva en comparació amb el model reduït clàssic basat en projecció, mantenint al mateix temps estalvis computacionals substancials respecte al model d’ordre complet. (Español) Este trabajo presenta un marco de modelado de orden reducido aumentado mediante redes neuronales artificiales (ANN) para problemas de optimización transitorios basados en fluidos. La metodología se basa en un modelo de orden reducido basado en proyección (PROM) derivado de una formulación de elementos finitos estabilizada mediante multiescala variacional. Aunque los PROM ofrecen importantes ahorros computacionales, su capacidad predictiva se deteriora en regímenes fuertemente no lineales y bajo variaciones paramétricas, especialmente cuando se emplean dentro de bucles de optimización transitorios. Para garantizar la eficiencia computacional durante las evaluaciones repetidas requeridas por el procedimiento de optimización y la naturaleza transitoria del problema, se incorpora la hiper-reducción en el marco reducido. Si bien esto reduce aún más el coste computacional, introduce una aproximación adicional que puede amplificar la pérdida de precisión ya causada por la truncación modal. Para abordar estas limitaciones, se introduce una estrategia de corrección basada en datos en la que una ANN se entrena para aproximar el error en el sistema reducido completamente discreto. En lugar de reemplazar el modelo reducido o corregir directamente la solución, la ANN se integra como un término de corrección aditivo en las ecuaciones reducidas completamente discretas. En este sentido, actúa como un modelo de cierre que compensa los efectos combinados de la truncación modal y la hiper-reducción. La corrección restablece la consistencia entre la evolución reducida y la solución de alta fidelidad subyacente, preservando al mismo tiempo la estructura original de proyección de Galerkin. El marco propuesto se evalúa en el contexto de la optimización de forma aerodinámica a bajo número de Reynolds y alto ángulo de ataque, donde las características no lineales del flujo desafían a los modelos reducidos estándar. La optimización se lleva a cabo mediante una estrategia basada en gradientes, y el modelo reducido aumentado con ANN se utiliza como sustituto para acelerar la evaluación de la función objetivo dentro del bucle de optimización. Los resultados demuestran que el enfoque propuesto mejora significativamente la precisión predictiva en comparación con el modelo reducido clásico basado en proyección, manteniendo al mismo tiempo ahorros computacionales sustanciales con respecto al modelo de orden completo. DOCTORAT EN ENGINYERIA CIVIL (Pla 2012) |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| DOI: | 10.5821/dissertation-2117-462423 |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/697539 https://dx.doi.org/10.5821/dissertation-2117-462423 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/ |
| Αριθμός Καταχώρησης: | edstdx.10803.697539 |
| Βάση Δεδομένων: | TDX |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://hdl.handle.net/10803/697539# Name: EDS - TDX (ns324271) Category: fullText Text: View record in TDX |
|---|---|
| Header | DbId: edstdx DbLabel: TDX An: edstdx.10803.697539 RelevancyScore: 1447 AccessLevel: 3 PubType: Dissertation/ Thesis PubTypeId: dissertation PreciseRelevancyScore: 1446.95385742188 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Artificial neural networks augmented reduced order models for fluid-based optimization problems – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Dar%2C+Zulkeefal%22">Dar, Zulkeefal</searchLink> – Name: Author Label: Thesis Advisors Group: Au Data: Codina, Ramon<br />Baiges Aznar, Joan<br />Escola Tècnica Superior d'Enginyeria de Camins, Canals i Ports de Barcelona – Name: TitleSource Label: Source Group: Src Data: TDX (Tesis Doctorals en Xarxa) – Name: Publisher Label: Publisher Information Group: PubInfo Data: Universitat Politècnica de Catalunya, 2026. – Name: DatePubCY Label: Publication Year Group: Date Data: 2026 – Name: PhysDesc Label: Physical Description Group: PhysDesc Data: 190 p. – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Reduced+Order+Modeling+%28ROM%29%22">Reduced Order Modeling (ROM)</searchLink><br /><searchLink fieldCode="DE" term="%22Artificial+Neural+Networks+%28ANN%29%22">Artificial Neural Networks (ANN)</searchLink><br /><searchLink fieldCode="DE" term="%22Computational+Fluid+Dynamics+%28CFD%29%22">Computational Fluid Dynamics (CFD)</searchLink><br /><searchLink fieldCode="DE" term="%22Variational+Multiscale+Method+%28VMS%29%22">Variational Multiscale Method (VMS)</searchLink><br /><searchLink fieldCode="DE" term="%22Finite+Element+Method+%28FEM%29%22">Finite Element Method (FEM)</searchLink><br /><searchLink fieldCode="DE" term="%22Optimization%22">Optimization</searchLink><br /><searchLink fieldCode="DE" term="%22Àrees+temàtiques+de+la+UPC%3A%3AEnginyeria+civil%22">Àrees temàtiques de la UPC::Enginyeria civil</searchLink><br /><searchLink fieldCode="DE" term="%22Àrees+temàtiques+de+la+UPC%3A%3AEnginyeria+mecànica%22">Àrees temàtiques de la UPC::Enginyeria mecànica</searchLink><br /><searchLink fieldCode="DE" term="%22Àrees+temàtiques+de+la+UPC%3A%3AMatemàtiques+i+estadística%22">Àrees temàtiques de la UPC::Matemàtiques i estadística</searchLink><br /><searchLink fieldCode="DE" term="%22624+-+Enginyeria+civil+i+de+la+construcció+en+general%22">624 - Enginyeria civil i de la construcció en general</searchLink><br /><searchLink fieldCode="DE" term="%22531%2F534+-+Mecànica%2E+Vibracions%2E+Acústica%22">531/534 - Mecànica. Vibracions. Acústica</searchLink><br /><searchLink fieldCode="DE" term="%2251+-+Matemàtiques%22">51 - Matemàtiques</searchLink> – Name: Abstract Label: Description Group: Ab Data: (English) This work presents an artificial neural network (ANN) augmented reduced order modeling framework for transient fluid-based optimization problems. The methodology builds upon a projection-based reduced order model (PROM) derived from a variational multiscale stabilized finite element formulation. While PROMs offer significant computational savings, their predictive capability deteriorates in strongly nonlinear regimes and under parameter variations, particularly when employed within transient optimization loops. To ensure computational efficiency during the repeated evaluations required by the optimization procedure and transient nature of the problem, hyper-reduction is incorporated into the reduced framework. Although this further decreases computational cost, it introduces an additional approximation, which may amplify the loss of accuracy already caused by modal truncation. To address these limitations, a data-driven correction strategy is introduced in which an ANN is trained to approximate the error in the fully discrete reduced system. Rather than replacing the reduced model or directly correcting the solution, the ANN is embedded as an additive correction term in the fully discrete reduced equations. In this sense, it acts as a closure model that compensates for the combined effects of modal truncation and hyper-reduction. The correction restores consistency between the reduced evolution and the underlying high-fidelity solution while preserving the original Galerkin projection structure. The proposed framework is assessed in the context of aerodynamic shape optimization at low Reynolds number and high angle of attack, where nonlinear flow features challenge standard reduced models. The optimization is carried out using a gradient-based strategy, and the ANN-augmented reduced model is used as a surrogate to accelerate the objective function evaluation within the optimization loop. Results demonstrate that the proposed approach significantly improves predictive accuracy compared to the classical projection-based reduced model, while retaining substantial computational savings with respect to the full order model. – Name: Abstract Label: Description (Translated) Group: Ab Data: (Català) Aquest treball presenta un marc de modelització d’ordre reduït augmentat mitjançant xarxes neuronals artificials (ANN) per a problemes d’optimització transitoris basats en fluids. La metodologia es basa en un model d’ordre reduït basat en projecció (PROM) derivat d’una formulació d’elements finits estabilitzada mitjançant multiescala variacional. Tot i que els PROM ofereixen importants estalvis computacionals, la seva capacitat predictiva es deteriora en règims fortament no lineals i sota variacions paramètriques, especialment quan s’empren dins de bucles d’optimització transitoris. Per garantir l’eficiència computacional durant les avaluacions repetides requerides pel procediment d’optimització i la naturalesa transitòria del problema, s’incorpora la hiper-reducció en el marc reduït. Tot i que això redueix encara més el cost computacional, introdueix una aproximació addicional que pot amplificar la pèrdua de precisió ja causada per la truncació modal. Per abordar aquestes limitacions, s’introdueix una estratègia de correcció basada en dades en la qual una ANN s’entrena per aproximar l’error en el sistema reduït completament discret. En lloc de substituir el model reduït o corregir directament la solució, la ANN s’integra com un terme de correcció additiu en les equacions reduïdes completament discretes. En aquest sentit, actua com un model de tancament que compensa els efectes combinats de la truncació modal i la hiper-reducció. La correcció restableix la consistència entre l’evolució reduïda i la solució d’alta fidelitat subjacent, preservant al mateix temps l’estructura original de projecció de Galerkin. El marc proposat s’avalua en el context de l’optimització de forma aerodinàmica a baix nombre de Reynolds i alt angle d’atac, on les característiques no lineals del flux desafien els models reduïts estàndard. L’optimització es duu a terme mitjançant una estratègia basada en gradients, i el model reduït augmentat amb ANN s’utilitza com a substitut per accelerar l’avaluació de la funció objectiu dins del bucle d’optimització. Els resultats demostren que l’enfocament proposat millora significativament la precisió predictiva en comparació amb el model reduït clàssic basat en projecció, mantenint al mateix temps estalvis computacionals substancials respecte al model d’ordre complet.<br />(Español) Este trabajo presenta un marco de modelado de orden reducido aumentado mediante redes neuronales artificiales (ANN) para problemas de optimización transitorios basados en fluidos. La metodología se basa en un modelo de orden reducido basado en proyección (PROM) derivado de una formulación de elementos finitos estabilizada mediante multiescala variacional. Aunque los PROM ofrecen importantes ahorros computacionales, su capacidad predictiva se deteriora en regímenes fuertemente no lineales y bajo variaciones paramétricas, especialmente cuando se emplean dentro de bucles de optimización transitorios. Para garantizar la eficiencia computacional durante las evaluaciones repetidas requeridas por el procedimiento de optimización y la naturaleza transitoria del problema, se incorpora la hiper-reducción en el marco reducido. Si bien esto reduce aún más el coste computacional, introduce una aproximación adicional que puede amplificar la pérdida de precisión ya causada por la truncación modal. Para abordar estas limitaciones, se introduce una estrategia de corrección basada en datos en la que una ANN se entrena para aproximar el error en el sistema reducido completamente discreto. En lugar de reemplazar el modelo reducido o corregir directamente la solución, la ANN se integra como un término de corrección aditivo en las ecuaciones reducidas completamente discretas. En este sentido, actúa como un modelo de cierre que compensa los efectos combinados de la truncación modal y la hiper-reducción. La corrección restablece la consistencia entre la evolución reducida y la solución de alta fidelidad subyacente, preservando al mismo tiempo la estructura original de proyección de Galerkin. El marco propuesto se evalúa en el contexto de la optimización de forma aerodinámica a bajo número de Reynolds y alto ángulo de ataque, donde las características no lineales del flujo desafían a los modelos reducidos estándar. La optimización se lleva a cabo mediante una estrategia basada en gradientes, y el modelo reducido aumentado con ANN se utiliza como sustituto para acelerar la evaluación de la función objetivo dentro del bucle de optimización. Los resultados demuestran que el enfoque propuesto mejora significativamente la precisión predictiva en comparación con el modelo reducido clásico basado en proyección, manteniendo al mismo tiempo ahorros computacionales sustanciales con respecto al modelo de orden completo.<br />DOCTORAT EN ENGINYERIA CIVIL (Pla 2012) – Name: TypeDocument Label: Document Type Group: TypDoc Data: Dissertation/Thesis – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: English – Name: DOI Label: DOI Group: ID Data: 10.5821/dissertation-2117-462423 – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="https://hdl.handle.net/10803/697539" linkWindow="_blank">https://hdl.handle.net/10803/697539</link><br /><link linkTarget="URL" linkTerm="https://dx.doi.org/10.5821/dissertation-2117-462423" linkWindow="_blank">https://dx.doi.org/10.5821/dissertation-2117-462423</link> – Name: Copyright Label: Rights Group: Cpyrght Data: L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/ – Name: AN Label: Accession Number Group: ID Data: edstdx.10803.697539 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.697539 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.5821/dissertation-2117-462423 Languages: – Text: English PhysicalDescription: Pagination: PageCount: 190 Subjects: – SubjectFull: Reduced Order Modeling (ROM) Type: general – SubjectFull: Artificial Neural Networks (ANN) Type: general – SubjectFull: Computational Fluid Dynamics (CFD) Type: general – SubjectFull: Variational Multiscale Method (VMS) Type: general – SubjectFull: Finite Element Method (FEM) Type: general – SubjectFull: Optimization Type: general – SubjectFull: Àrees temàtiques de la UPC::Enginyeria civil Type: general – SubjectFull: Àrees temàtiques de la UPC::Enginyeria mecànica Type: general – SubjectFull: Àrees temàtiques de la UPC::Matemàtiques i estadística Type: general – SubjectFull: 624 - Enginyeria civil i de la construcció en general Type: general – SubjectFull: 531/534 - Mecànica. Vibracions. Acústica Type: general – SubjectFull: 51 - Matemàtiques Type: general Titles: – TitleFull: Artificial neural networks augmented reduced order models for fluid-based optimization problems Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Dar, Zulkeefal IsPartOfRelationships: – BibEntity: Dates: – D: 18 M: 05 Type: published Y: 2026 |
| ResultId | 1 |