Defensa de Tesis Doctoral Nina Morozova

Fecha y lugar de la defensa: Lunes 20 de junio a las 11h en la Sala de Conferencias del TR5, ESEIAAT.

Título: Development of CFD-based multi-fidelity surrogate models for indoor environmental applications

Autora: Nina Morozova

Director: Asensio Oliva Llena
Codirector: Francesc Xavier Trias Miquel

Resumen español:
Esta tesis presenta una metodología para modelos sustitutos de fidelidad múltiple basados en CFD para aplicaciones de ambiente interior. La idea principal de este trabajo es desarrollar un modelo que tenga una precisión comparable a las simulaciones CFD pero a un costo computacional considerablemente inferior. La metodologia permite realizar simulaciones en tiempo real o más rápido que en tiempo real utilizando ordinadores de oficina ordinarios. Este trabajo se puede dividir en tres partes principales.

En la primera parte, se lleva a cabo un análisis de la viabilidad de simulaciones CFD asequibles de alta fidelidad para el diseño y control de ambientes interiores. En este capítulo, analizamos dos casos, que imitan configuraciones comunes de flujo de aire interior, en una amplia gama de diferentes modelos de turbulencia y métodos de discretización. Aplicamos el conocimiento sobre el crecimiento de la potencia computacional para analizar la posibilidad de realizar simulaciones CFD precisas pero asequibles en ordinadores de oficina ordinarios. Los modelos de turbulencia LES y sin modelo con discretizaciones escalonadas muestran el mejor rendimiento. Concluimos que las simulaciones CFD de alta fidelidad son demasiado lentas para ser utilizadas como herramienta principal para el diseño y control de ambientes interiores. Teniendo en cuenta las diferentes leyes de predicción del crecimiento de la potencia computacional, estimamos la viabilidad de CFD de alta fidelidad en ordinadores de oficina para estas aplicaciones durante las próximas décadas.

La segunda parte de esta tesis está dedicada al desarrollo de un modelo sustituto basado en datos para predecir los parámetros de flujo en una habitación ventilada. El modelo sustituto desarrollado predice un conjunto de parámetros de flujo, como el número de Nusselt promedio en la pared caliente, el punto de separación del chorro, la energía cinética promedia, la entrofia promedia y la temperatura promedia. El modelo sustituto desarrollado se basa en la regresión de aumento de gradiente, elegida debido a su rendimiento preciso entre cuatro métodos de aprendizaje automático probados. Las entradas del modelo son los valores de temperatura y velocidad en diferentes ubicaciones, que actúan como un sustituto de las lecturas del sensor. Las ubicaciones y el número de estos sensores se determinaron minimizando el error de predicción. Este modelo no requiere la aplicación de la repetición de simulaciones CFD ya que la estructura de los datos de entrada imita las lecturas del sensor. Además, el bajo costo computacional de la ejecución del modelo y la buena precisión lo convierten en una alternativa eficaz a la CFD para aplicaciones en las que se requieren predicciones rápidas de configuraciones de flujo complejas, como el control predictivo del modelo.
La tercera parte de la tesis es una extensión del modelo sustituto desarrollado en la segunda parte. En este capítulo, implementamos un enfoque de fidelidad múltiple para reducir el costo computacional de la generación del conjunto de datos de entrenamiento. El modelo sustituto desarrollado se basa en la regresión de procesos gaussianos (GPR), un enfoque de aprendizaje automático capaz de manejar datos de fidelidad múltiple. El conjunto de datos de fidelidad variable se construye utilizando datos CFD. Probamos tres enfoques de fidelidad múltiple: GPR entrenado en datos de alta y baja fidelidad sin distinción, GPR con corrección lineal y GPR de fidelidad múltiple o co-krigeaje. El costo computacional y la precisión de estos enfoques se comparan con los GPR basados solo en datos de alta o baja fidelidad. Todos los enfoques de fidelidad múltiple probados reducen con éxito el costo computacional de la generación de conjuntos de datos en comparación con GPR de alta fidelidad mientras mantienen el nivel requerido de precisión. El enfoque de co-krigeaje demuestra la mejor compensación entre el costo computacional y la precisión.

Resumen inglés:
This thesis presents a methodology for CFD-based multi-fidelity surrogate models for indoor environmental applications. The main idea of this work is to develop a model that has accuracy comparable to CFD simulations but at a considerably lower computational cost. It can perform real-time or faster than real-time simulations of indoor environments using ordinary office computers. This work can be divided into three main parts.

In the first part, a rigorous analysis of the feasibility of affordable high-fidelity CFD simulations for indoor environment design and control is carried out. In this chapter, we analyze two representative test cases, which imitate common indoor airflow configurations, on a wide range of different turbulence models and discretization methods to meet the requirements for the computational cost, run-time, and accuracy. We apply the knowledge on the growth in computational power and advances in numerical algorithms in order to analyze the possibility of performing accurate yet affordable CFD simulations on ordinary office computers. The no-model and LES with staggered discretizations studied turbulence models show the best performance. We conclude that high-fidelity CFD simulations on office computers are too slow to be used as a primary tool for indoor environment design and control. Taking into account different laws of computer growth prediction, we estimate the feasibility of high-fidelity CFD on office computers for these applications for the next decades.

The second part of this thesis is dedicated to developing a surrogate data-driven model to predict comfort-related flow parameters in a ventilated room. This chapter uses a previously tested ventilated cavity with a heated floor case. The developed surrogate model predicts a set of comfort-related flow parameters, such as the average Nusselt number on the hot wall, jet separation point, average kinetic energy, average enstrophy, and average temperature, which were also comprehensively studied in the previous part of the thesis. The developed surrogate model is based on the gradient boosting regression, chosen due to its accurate performance among four tested machine learning methods. The model inputs are the temperature and velocity values in different locations, which act as a surrogate of the sensor readings. The locations and the number of these sensors were determined by minimizing the prediction error. This model does not require the repetition of CFD simulations to be applied since the structure of the input data imitates sensor readings. Furthermore, the low computational cost of model execution and good accuracy makes it an effective alternative to CFD for applications where rapid predictions of complex flow configurations are required, such as model predictive control.

The third part of the thesis is an extension of the surrogate model developed in the second part. In this chapter, we implement a multi-fidelity approach to reduce the computational cost of the training dataset generation. The developed surrogate model is based on Gaussian process regression (GPR), a machine learning approach capable of handling multi-fidelity data. The variable fidelity dataset is constructed using coarse- and fine-grid CFD data with the LES turbulence model. We test three multi-fidelity approaches: GPR trained on both high- and low-fidelity data without distinction, GPR with linear correction, and multi-fidelity GPR or co-cringing. The computational cost and accuracy of these approaches are compared with GPRs based only on high- or low-fidelity data. All of the tested multi-fidelity approaches successfully reduce the computational cost of dataset generation compared to high-fidelity GPR while maintaining the required level of accuracy. The co-cringing approach demonstrates the best trade-off between computational cost and accuracy.