Dikey Francis türbin hidrostatik yataklarında yağ akışı davranışının simülasyon ve makine öğrenmesi ile modellenmesi / Kamer Şevval Demir; thesis advisor T.Kutay Çelebioğlu.

Tez (Yüksek Lisans)--TOBB ETÜ Fen Bilimleri Enstitüsü Aralık 2025

Bu tez çalışmasında, dikey milli Francis türbinlerinde kullanılan hidrostatik yatakların akışsal ve tribolojik performansını belirleyen temel geometrik parametrelerin etkisi, kapsamlı sayısal akışkanlar dinamiği (HAD) analizleri ve yapay sinir ağı (YSA) tabanlı bir tahmin–optimizasyon yaklaşımı ile ayrıntılı olarak incelenmiştir. Yatak geometrisini oluşturan yağ cebi derinliği, yağ cebi yüksekliği, yağ filmi kalınlığı, yağ cebinin açısal kapsama alanı ve şaft çapı gibi kritik tasarım değişkenleri, literatürde kabul gören sınırlar doğrultusunda sistematik biçimde değiştirilmiş ve geniş bir varyasyon seti oluşturulmuştur. Farklı geometrik kombinasyonlar için gerçekleştirilen HAD analizleri sonucunda, yük taşıma kapasitesi, güç kaybı katsayısı, destek kuvvet yönelim açısı ile yağ cebi ve yağ filmi bölgelerine ait basınç ve hız dağılım indeksleri elde edilmiştir. Bu analizler, geometrik parametrelerin hidrodinamik davranış üzerindeki etkilerini çok boyutlu bir tasarım uzayı içerisinde ortaya koymuş ve hidrostatik yatak performansının fiziksel eğilimlerine ilişkin kapsamlı bir veri tabanı oluşturmuştur. Elde edilen bu veri seti kullanılarak, performans çıktıları ile geometrik parametreler arasındaki ilişkileri modelleyen çoklu çıkışlı bir yapay sinir ağı yapısı geliştirilmiştir. Model, K-katlı çapraz doğrulama analizleriyle değerlendirilmiş ve kritik performans göstergelerinde yüksek doğruluk sergilemiştir. Eğitim sürecinde, her çıktıya özel yapıda oluşturulan bağımsız ağlardan alınan ortalama tahminler kullanılarak modelin genelleme kabiliyeti güçlendirilmiştir. Model başarımı; Pearson korelasyon katsayısı (R), determinasyon katsayısı (R²) , kök ortalama kare hata (RMSE) ve ortalama yüzde hata (MAPE) metrikleriyle değerlendirilmiş ve tüm hedef çıktılar için yüksek tutarlılık elde edilmiştir. YSA modelinin yalnızca tahmin amacıyla değil, aynı zamanda optimizasyon sürecinde kullanılabilmesi için fonksiyonlar geliştirilmiştir. Bu fonksiyonlar, fiziksel kısıtlar ve standart tolerans aralıkları dikkate alınarak farklı geometrik kombinasyonları hızlı şekilde taramakta ve çok kriterli karar verme yaklaşımıyla optimum yatak geometrisini belirlemektedir. Böylece HAD tabanlı yüksek maliyetli optimizasyon döngülerine duyulan ihtiyaç azalmakta; tasarım süreci hem hız hem de doğruluk bakımından önemli ölçüde iyileştirilmektedir. Model çıktılarını rasyonalize etmek amacıyla uygulanan özgün duyarlılık analizinde; performans kazanımını ölçen İyileştirme Başarısı Katsayısı (Cpi) ve imalat toleranslarına karşı kararlılığı test eden Çözüm Hassasiyet Katsayısı (Spi) tanımlanmıştır. Bu analizler, performansa en çok katkı sağlayan kritik değişkenlerin izolasyonuna ve olası imalat hatalarının etkisinin belirlenmesine olanak tanımıştır. Böylece, elde edilen optimum çözümlerin endüstriyel uygulama için gerekli olan güvenilirlik ve sürdürülebilirlik kriterlerini karşıladığı ortaya konmuştur. Bu çalışma, hidrostatik yatak tasarımında sayısal analizler ile veri odaklı tahmin yöntemlerini birleştiren hibrit bir mühendislik yaklaşımı sunmakta olup; performansın kritik parametrelere bağlı olarak nasıl değiştiğini kapsamlı bir şekilde ortaya koymakta ve gelecekte yapılacak tasarım, iyileştirme ve otomatik optimizasyon çalışmalarına güçlü bir temel oluşturmaktadır.

In this thesis, the effects of fundamental geometric parameters determining the fluid flow and tribological performance of hydrostatic bearings used in vertical Francis turbines were investigated in detail through comprehensive Computational Fluid Dynamics (CFD) analyses and an Artificial Neural Network (ANN) based prediction optimization approach. Critical design variables, including oil pocket depth, oil pocket height, oil film thickness, angular wrap angle of the oil pocket, and shaft diameter, were systematically varied within literature-accepted limits to establish an extensive variation set. As a result of the CFD analyses performed for various geometric combinations, load-carrying capacity, power loss coefficient, support force orientation angle, and pressure and velocity distribution indices for the oil pocket and film regions were obtained. These analyses elucidated the effects of geometric parameters on hydrodynamic behavior within a multi-dimensional design space and established a comprehensive database regarding the physical trends of hydrostatic bearing performance. Using this dataset, a multi-output ANN structure was developed to model the relationships between performance outputs and geometric parameters. The model was evaluated using k-fold cross-validation and exhibited high accuracy across critical performance indicators. During the training process, the generalization capability of the model was enhanced by using normalized inputs, rescaled distribution index parameters, and averaged predictions from seven independent networks specifically structured for each output. Model performance was validated using Pearson correlation coefficient (R), coefficient of determination (R2), root mean square error (RMSE) and mean absolute percentage error (MAPE) metrics, achieving high consistency for all target outputs. Optimization functions were developed to enable the ANN model to be utilized not only for prediction but also within the optimization process. These functions rapidly scan different geometric combinations while considering physical constraints and standard tolerance intervals, determining the optimum bearing. Consequently, the reliance on high-cost CFD-based optimization loops is reduced, significantly improving the design process in terms of both speed and accuracy. To rationalize the model outputs, an original sensitivity analysis was conducted, defining the Improvement Success Coefficient (Cpi) to measure performance gain and the Solution Sensitivity Coefficient (Spi) to test stability against manufacturing tolerances. These analyses facilitated the isolation of critical variables contributing most to performance and allowed for the determination of the impact of potential manufacturing errors. Thus, it was demonstrated that the optimum solutions obtained meet the reliability and sustainability criteria required for industrial applications. This study presents a hybrid engineering approach that integrates numerical analyses with data-driven prediction methods in hydrostatic bearing design, providing a robust foundation for future design, improvement, and automated optimization studies.