@phdthesis{Ivanov2021, author = {Ivanov, Dmitrij}, title = {Beschleunigung der Verdichterkennfeldberechnung mithilfe von Methoden des maschinellen Lernens}, doi = {10.26127/BTUOpen-5395}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-53950}, school = {BTU Cottbus - Senftenberg}, year = {2021}, abstract = {In der heutigen Triebwerksentwicklung ist die Verwendung komplexer und zeitaufw{\"a}ndiger numerischer Str{\"o}mungssimulationsverfahren (3D-CFD) unerl{\"a}sslich. Dies gilt auch und insbesondere f{\"u}r den Bereich der Verdichterkennfeldberechnung, welcher viele zeitintensive 3D-CFD Berechnungen ben{\"o}tigt. Dabei sind zur qualitativen Beurteilung eines Verdichterentwurfs sowohl Betriebspunkte wie, Reiseflug, Start und Landung, hinreichend genau abzubilden, als auch die kritischen, den Verdichterarbeitsbereich limitierenden Betriebsgrenzen Pumpen und Sperren zu detektieren. Bisherige Arbeiten zur automatisierten Verdichterkennfeldberechnung basieren auf strukturierten Berechnungen von verschiedenen Drehzahllinien, auf welchen jeweils isoliert Pump- und Sperrgrenze gesucht werden. Durch die Beschr{\"a}nkung auf einzelne Drehzahlen wird jedoch nicht der gesamte Charakter des Kennfeldes erfasst, so dass unbekannte Betriebsbereiche aus linearer Interpolation abgeleitet werden m{\"u}ssen. Ein zus{\"a}tzlicher Nachteil solcher auf einzelne Drehzahllinien fixierten Methoden ist ihre geringe Parallelisierbarkeit. Der Fokus dieser Arbeit liegt daher auf der Entwicklung eines effizienten Verfahrens zur Erfassung des gesamten Verdichterkennfeldes. Die zwei wesentlichen Anforderungen an das Verfahren sind erstens die Reduktion der Anzahl der notwendigen CFD-Berechnungen zur hinreichend genauen Beschreibung des Verdichterkennfeldes sowie zweitens die Beschleunigung jeder einzelnen 3D-CFD-Berechnung. Zu diesem Zweck wird zur Kennfeldberechnung eine Strategie vorgeschlagen, welche sich von der {\"u}blichen strukturierten Berechnung einzelner Drehzahllinien l{\"o}st und stattdessen mit unstrukturierten, zuf{\"a}llig bestimmte St{\"u}tzstellen arbeitet. Dabei wird ein zweiphasiges Verfahren entwickelt, bei dem zun{\"a}chst die Pump- und Sperrlinien in ihrer Gesamtheit mit einer iterativen, hoch parallelisierbaren, auf Support-Vector-Machine beruhenden Strategie bestimmt werden. Als n{\"a}chster Schritt wird mit Methoden der statistischen Versuchsplanung eine ausreichende Dichte von St{\"u}tzstellen innerhalb der Betriebsgrenzen des Verdichters generiert. Abschließend werden auf Basis aller verwendeten St{\"u}tzstellen Antwortfl{\"a}chen f{\"u}r Verdichterdruckverh{\"a}ltnis, Wirkungsgrad und Eintrittsmassenstrom aufgebaut. Zur Reduktion der Rechenzeit jeder einzelnen 3D-CFD Rechnung werden unterschiedliche Methoden zur Erzeugung von Startl{\"o}sungen betrachtet. In diesem Rahmen werden Initialisierungsans{\"a}tze aus reduzierten Str{\"o}mungsmodellen und aus der Superposition von bereits bekannten Str{\"o}mungsl{\"o}sungen auf Basis der Methode der Proper-Orthogonal-Decomposition (POD) untersucht. Als Validierung wird abschließend das entwickelte Verfahren zur Kennfeldberechnung in Kombination mit dem POD-Initialisierungsansatz erfolgreich auf die Analyse eines 4.5- stufigen Forschungsverdichters angewendet.}, subject = {Verdichterkennfeld; 3D-CFD; Maschinelles Lernen; Support-Vector-Machine; Str{\"o}mungsfeld-Initialisierung; Flowfield-initialization; Compressor map; 3D-CFD; Machine learning; Support-vector-machine; Verdichter; Kennfeld; Numerische Str{\"o}mungssimulation; Optimierung}, language = {de} }