Refine
Document Type
Keywords
- 3D-CFD (1)
- Aerodynamik (1)
- Antwortflächen (1)
- Maschinelles Lernen (1)
- POD (1)
- Pumpgrenze (1)
- Strömungsfeld-Initialisierung (1)
- Support-Vector-Machine (1)
- Verdichterkennfeld (1)
Institute
Beschleunigung der Verdichterkennfeldberechnung mithilfe von Methoden des maschinellen Lernens
(2021)
Unser Zeitalter ist geprägt von unbegrenzter Individualmobilität für beinahe jede Gesellschaftsschicht in Industrie und Schwellenländern. Einer der Hauptzweige dieser Entwicklung ist der zunehmende Flugverkehr. Diese Zunahme wirkt sich negativ auf die Umwelt aus. Durch den Ausstoß von Schadstoffen wie z.B. Stickstoffoxide werden bestehende Probleme in Form von globaler Erwärmung, Klimazonenverlagerungen, Umweltkatastrophen und Klimamigration verstärkt. Definierte Klimaziele können daher nur erreicht werden,
wenn der Ausstoß von Schadstoffen reduziert wird. Da es zur Zeit keine serienreife Alternative zu kerosinbetriebenen Triebwerken in der zivilen Luftfahrt gibt, ist eine der wenigen Stellschrauben die Optimierung der Leistung von Triebwerken unter dem Gesichtspunkt
der Reduktion des Schadstoffausstoßes bei gleichbleibender oder höherer Leistung.
Der Entwicklungsprozess von Triebwerken ist heutzutage dominiert von hochmoderner Computertechnologie sowie immer komplexer werdenden Algorithmen und dadurch steigender Anforderungen an Mensch und Maschine. Zum Erreichen höherer Wirkungsgrade müssen immer komplexere Strömungs-, Verbrennungs-, Steuerungs- und Materialmodelle analysiert werden, welche numerisch sehr zeitaufwändig sind, so dass Berechnungen
sogar auf großen Computer-Clustern Tage dauern können. Gleichzeitig befindet sich die Forschung in der Industrie unter ständigem Druck, getrieben von chronischem Zeitmangel und Konkurrenz, so dass lange Berechnungszeiten sich negativ auf die Wettbewerbsfähigkeit
auswirken können. Aus diesem Grund müssen Ideen formuliert werden, welche innerhalb tolerierbarer Zeitfenster hinreichend detailreiche Analysen und zielführende Optimierungen ermöglichen. Parallel zum Anstieg der Komplexität der Systeme fallen durch die Digitalisierung aller Dinge große Mengen von Daten an, welche zum Teil nicht mehr
für den Menschen analysierbar sind, jedoch zur effektiven Verbesserung von Systemen genutzt werden können.
Die Verwendung großer Informationsmengen und Extraktion von Schlussfolgerungen resultierte in einem neuen wissenschaftlichen und wirtschaftlichen Gravitationspunkt mit neuen Forschungsrichtungen, welche sich innerhalb der letzten Jahre zu facettenreichen
und beliebten Themen entwickelt haben: Das maschinelle Lernen (ML). Diese Bezeichnung, welche heutzutage im gleichen Atemzug mit künstlicher Intelligenz und Industrie 4.0 genannt wird, kann vereinfacht als ein Oberbegriff für die «künstliche» Generierung von Wissen aus Erfahrungen verstanden werden, wobei es sich bei Erfahrungen gewöhnlich um Systemdaten und bei Wissen um Möglichkeiten der Interpolation oder Vorhersage handelt. Somit beinhaltet maschinelles Lernen viele bereits etablierte Methoden wie Regression,
Interpolation, Hauptkomponentenanalyse und weitere.
In dieser Arbeit soll der industriellen Forderung nach schnellen und hinreichend exakten Berechnungsmethoden mit den Werkzeugen des maschinellen Lernens Rechnung getragen werden. Zu diesem Zweck werden insbesondere zwei Teilbereiche des ML genauer beleuchtet, die Regression und die Klassifikation. Der erste Teilbereich erscheint in Anwendungen der Luft- und Raumfahrt oftmals als eine Art datenbasiertes Regressionsmodell bzw. Antwortflächenmodell,
welches in diesem Bereich auch als Ersatzmodell (engl. surrogate modelling) bekannt ist. Ersatzmodelle finden eine populäre Verwendung in der Optimierung von komplexen Systemen, da diese basierend auf einigen wenigen kostspieligen bekannten Datensätzen eine Approximation der physikalischen Größen unbekannter Datensätze erlaubt. Dieser Ansatz wird hier aufgegriffen, um numerisch aufwändige Strömungssimulationen zu verarbeiten und mit den generierten Ersatzmodellen neue Simulationen zu vereinfachen.
Ein weiteres Teilgebiet des maschinellen Lernens ist die Klassifizierung. Hierbei werden Datensätze mit bestimmten Attributen versehen, welche eine Zuordnung zu einer bestimmten Klasse ermöglichen. Mit Methoden der Klassifizierung können anschließend unbekannte Datensätze einer bekannten Klasse zugeordnet werden. Die dazu notwendigen Werkzeuge des maschinellen Lernens sind u.a. Neuronale Netzwerke, Support Vector Machines, Entscheidungsbäume und weitere. Der an ML interessierte Leser sei an dieser Stelle auf einschlägige Literatur von Schoelkopf und Smola (2001), Duda u. a.
(2004), Vapnik (1995) verwiesen. Die Stärke der Methode des ML besteht hauptsächlich darin, aus großen Datenmengen Schlussfolgerungen für hochkomplexe, nichtlineare Zusammenhänge zu ziehen. Ein Nachteil dieser Methoden ist der Bedarf von immensen Datenmengen, welche zum einen generiert werden und außerdem sinnvoll sein müssen1.
In vielen industriellen Anwendungen sind nur wenige Datensätze vorhanden, weil die Generierung dieser Daten sehr teuer und zeitaufwändig ist, so dass die Wahl von neuen zu bestimmenden Daten sinnvoll getroffen werden muss. Daher liegt der Fokus dieser Arbeit
auch auf der Entwicklung von ML-Methoden, welche, basierend auf Wissen aus kleinen Datensätzen, eine sinnvolle Erschließung neuer Datensätze ermöglichen.
Artificial intelligence experienced a technological breakthrough in science, industry, and everyday life in the recent few decades. The advancements can be credited to the ever-increasing availability and miniaturization of computational resources that resulted in exponential data growth. However, because of the insufficient amount of data in some cases, employing machine learning in solving complex tasks is not straightforward or even possible. As a result, machine learning with small data experiences rising importance in data science and application in several fields. The authors focus on interpreting the general term of "small data" and their engineering and industrial application role. They give a brief overview of the most important industrial applications of machine learning and small data. Small data is defined in terms of various characteristics compared to big data, and a machine learning formalism was introduced. Five critical challenges of machine learning with small data in industrial applications are presented: unlabeled data, imbalanced data, missing data, insufficient data, and rare events. Based on those definitions, an overview of the considerations in domain representation and data acquisition is given along with a taxonomy of machine learning approaches in the context of small data.