Анкета автора(ов)
| Фамилия, имя, отчество, учёная степень, звание, должность. Полное и сокращённое наименование организации, адрес организации. | Зиганшин Арслан Маликович, доктор технических наук, доцент, Казанский государственный архитектурно-строительный университет, г. Казань, Российская Федерация Email: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0001-7335-7797 Шакирзянов Вадим Ильфатович, инженер-проектировщик ОВиК, ООО «Испытательный центр «Стройэксперт»», г. Казань, Российская Федерация Email: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0009-0002-3045-5797 |
| Название статьи. | Аппроксимация результатов численного моделирования узла «тройник-колено» с помощью сверточной нейронной сети |
| Аннотация. | Численное моделирование методами вычислительной гидродинамики элементов систем вентиляции хотя и считается сейчас основным инструментом исследования и проектирования, имеет существенный недостаток - затрата большого количества вычислительных ресурсов. Это замедляет и исследование, и внедрение результатов в практику проектирования. Целью исследования является применение сверточной нейронной сети для аппроксимации полей скорости и давления для ускорения расчётов отрывных течений и аэродинамического сопротивления вентиляционного узла типа «тройник-колено». Для этого разработан метод преобразования данных из Ansys Fluent в формат пригодный для обучения нейронной сети; созданы данные с информацией о граничных условиях геометрии и параметрах течения воздуха; реализована архитектура сверточной нейронной сети; обучена модель на имеющихся данных и проведена оценка точности аппроксимации на контрольной выборке конфигураций узла. Результаты. Разработан подход, при котором на первом этапе результаты численного моделирования преобразуются в матричный формат и используются для глубокого обучения. При этом входные данные включают: бинарные маски, поля знаковых расстояний и граничные условия. В качестве архитектуры была выбрана сеть с остаточными и пропускными связями. Далее обучение проводилось на расширенном наборе данных с использованием нормализации и комбинированной функции потерь, учитывающей градиенты полей. После было проведено исследование, и настройка гиперпараметров и в итоге получена модель нейросети, которая обеспечивает достаточно высокую точность прогнозирования компонент скорости: коэффициент детерминации превышает 0,98, а средняя ошибка составляет 8–12 %. Точность аппроксимации поля давления несколько ниже и составила около 27,5 %. Выводы. Разработанный метод позволяет быстрее и с достаточной степенью достоверности находить распределение давления и компонент скорости в узлах вида «тройник-колено». Полученные результаты могут быть использованы при расчете и проектировании энергоэффективных элементов систем вентиляции. |
| Ключевые слова. | сверточная нейронная сеть; аппроксимация полей течения; численное моделирование; вычислительная гидродинамика; вентиляционные узлы; проектирование инженерных систем |
| First name, Middle name, Last name, Scientific degree, Scientific rank, Current position. Full and brief name of the organization, The organization address. | Arslan M. Ziganshin, doctor of technical sciences, associate professor, Kazan State University of Architecture and Engineering, Kazan, Russian Federation Email: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0000-0001-7335-7797 Vadim I. Shakirzyanov, HVAC design engineer, Stroyexpert Testing Center, Kazan, Russian Federation Email: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript , ORCID: 0009-0002-3045-5797 |
| Title of the article | Approximation of numerical simulation results for a “tee-sharp elbow” unit using a convolutional neural network |
| Abstract. | Although numerical simulation of ventilation system components using computational fluid dynamics (CFD) methods currently considered as a primary research and design tool, it has a significant drawback: it consumes significant computational resources. This slows both research and the implementation of results in design practice. The objective of this study is to apply a convolutional neural network to approximate velocity and pressure fields to accelerate the calculation of separated flows and aerodynamic drag in a tee-elbow ventilation unit. To achieve this goal, a method was developed for converting data from Ansys Fluent into a format suitable for neural network training; data was generated with information on the boundary conditions of the geometry and airflow parameters; a convolutional neural network architecture was implemented; a model was trained using the available data; and the approximation accuracy was assessed using a test sample of unit configurations. Results. An approach has been developed in which, in the first stage, numerical simulation results are converted into a matrix format and used for deep learning. The input data includes binary masks, signed distance fields, and boundary conditions. A network with residual and throughput connections was chosen as the architecture. Training was then performed on an expanded dataset using normalization and a combined loss function that accounts for field gradients. Subsequently, a study was conducted and hyperparameters were tuned, resulting in a neural network model that provides a fairly high accuracy in predicting velocity components: the determination coefficient exceeds 0.98, and the average error is 8–12%. The accuracy of the pressure field approximation is somewhat lower, at approximately 27.5%. Conclusions. The developed method allows for faster and more reliable determination of the pressure distribution and velocity components in tee-elbow units. The results obtained can be used in the calculation and design of energy-efficient ventilation system components. |
| Keywords. | convolutional neural network; flow field approximation; numerical modeling; computational fluid dynamics; ventilation units; engineering systems design. |
| Для цитирования: | Зиганшин А.М., Шакирзянов В.И. Аппроксимация результатов численного моделирования узла «тройник-колено» с помощью сверточной нейронной сети // Известия КГАСУ, 2026, № 2 (76), с. 100-121, DOI: 10.48612/NewsKSUAE/76.7, EDN: FUGVEE |
| For citations: | Ziganshin A.M., Shakirzyanov V.I. Approximation of numerical simulation results for a “tee-sharp elbow” unit using a convolutional neural network // News of KSUAE, 2026, № 2 (76), p. 100-121, DOI: 10.48612/NewsKSUAE/76.7, EDN: FUGVEE |
