@phdthesis{Spiess2023, author = {Spieß, Benjamin}, title = {The artificial engineer : a smart holistic framework for the automated transfer of geometry to analysis models}, doi = {10.26127/BTUOpen-6530}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-65308}, school = {BTU Cottbus - Senftenberg}, year = {2023}, abstract = {The creation of adequate simulation models for complex assemblies is an extensive process that requires a lot of experience, and on the other hand involves a multitude of manual, tedious tasks. These are significant obstacles for improving the process performance and capabilities. The objective of this research is to develop methods which digitally imitate the way of thoughts of the engineer in the design process towards a digital system understanding and which support the automation of the involved manual workflow. This thesis presents a strategy to translate engineering reasoning and actions to an equivalent in the computer domain. A cardinal step is to gain understanding of system arrangements, boundary conditions and its components. Based on this evaluation, the identification of assembly parts is forming the foundation for optimized process chains for the transfer to the analysis environment. Model complexity relates to computational effort, which in turn affects model capabilities and manageability. To achieve a satisfactory compromise of model quality and complexity, this transfer process is strongly dependent on the visual analysis, reasoning and manual implementation of skilled engineers. The principle of translating engineering logics is pursued from the assembly system to its smallest parts. Component segmentation methods allow subdividing regions of interest into substructures which are assigned with a feature vector. This vector comprises metrics describing the substructures with regard to specific aspects and is the key decision point for subsequent steps as idealization, suitable Finite-Element modeling and ultimately building an analysis model. The created system database is continuously maintained and supports these process chains as well as the final setup of the assembly simulation model. An automated workflow like this implies advantages for efficiency, but also creates opportunities for further use cases. This workflow has been exploited for generating a training data set from the different simulation variants as a basis to a knowledge representation imitating engineering experience. An algorithm from the graph neural network field is applied to this data set as a conceptual approach. The intention pursued in this concept is to model the learning progress about estimating the influence of modelling decisions on simulation results and quality. This research proposes a holistic strategy and describes methods to achieve the objectives of decreasing manual effort, introducing an automated and geometry-based process and digitally replicating engineering experience by introducing a knowledge database.}, subject = {Engineering; Automation; Artificial intelligence; Design; Machine learning; Automatisierung; Simulation; K{\"u}nstliche Intelligenz; CAD; FEM; Automatisierung; CAD; Finite-Elemente-Methode; K{\"u}nstliche Intelligenz; Simulation}, language = {en} } @phdthesis{Konstantinidis2022, author = {Konstantinidis, Aris}, title = {Konzeptfindung und strukturmechanische Optimierung von Anbindungsstrukturen f{\"u}r Planetengetriebe in Flugtriebwerken}, doi = {10.26127/BTUOpen-6014}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-60141}, school = {BTU Cottbus - Senftenberg}, year = {2022}, abstract = {Kernziel der Arbeit ist es, einen Beitrag zur Konzeptfindung und zur strukturmechanischen Optimierung von Anbindungsstrukturen f{\"u}r Planetengetriebe in Flugtriebwerken zu leisten. Hierzu wurde ein auf CAD-Geometrien basierender Optimierungsprozess geschaffen und auf verschiedene Problemstellungen angewendet. Die Arbeit gliedert sich in sechs Kapitel, in denen ein Verst{\"a}ndnis f{\"u}r die Notwendigkeit und die Problemstellung vermittelt werden soll. Die Einleitung beschreibt Entwicklungstendenzen f{\"u}r Triebwerke in der zivilen Luftfahrt und die Gr{\"u}nde f{\"u}r den Einsatz von Planetengetrieben. Da die hier entwickelten Methoden die Konzeptfindung und somit die Produktentwicklung unterst{\"u}tzen sollen, wird skizziert, an welcher Stelle des Produktentwicklungsprozesses die Methoden am besten einzusetzen sind. Das zweite und dritte Kapitel sind der Strukturoptimierung gewidmet. Zun{\"a}chst werden die Grundlagen Optimierung und wichtige Ans{\"a}tze erl{\"a}utert. Anschließend werden die {\"u}blichen Verfahren zur Strukturoptimierung mithilfe von finiten Elemente-Netzen vorgestellt. Folgend werden zwei Sonderf{\"a}lle betrachtet, die Optimierung von flexiblen Bauteilen und von mehreren Bauteilen im Verbund. Beides stellt eine besondere Herausforderung dar und wird in den sp{\"a}teren Fallstudien aufgegriffen. Im dritten Kapitel wird der alternative, auf CAD-Geometrien basierende Ansatz zur Strukturoptimierung vorgestellt. Abschließend werden die Methoden anhand von akademischen Beispielen validiert. Das vierte Kapitel befasst sich mit Antwortfl{\"a}chenverfahren. Sie sind ein g{\"a}ngiges Mittel, um Optimierungsprozesse zu beschleunigen. Hierzu werden zun{\"a}chst die wichtigsten Grundlagen zur n{\"o}tigen Versuchsplanung erl{\"a}utert und die drei g{\"a}ngigsten Ans{\"a}tze diskutiert. Auf der Grundlage eines Vergleichs dieser Verfahren wird ein geeigneter Ansatz ausgew{\"a}hlt. Im f{\"u}nften Kapitel werden f{\"u}nf Fallstudien aufgef{\"u}hrt. Jede davon greift eine praxisnahe Problemstellung auf und demonstriert die Herangehensweise und die M{\"o}glichkeiten und Grenzen eines auf CAD-Geometrien basierten Ansatzes zur Strukturoptimierung. Das erste, zweite und f{\"u}nfte Fallbeispiel beziehen sich auf die im zweiten Kapitel genannten Sonderf{\"a}lle. Im dritten Fallbeispiel wird eine Optimierung der Systemeigenfrequenz durchgef{\"u}hrt, die es n{\"o}tig macht, eine Br{\"u}cke von der Einzelkomponente zu einem aus reduzierten Matrizen bestehenden Systemmodell zu schlagen. Im vierten Fallbeispiel werden die im vierten Kapitel beschriebenen Antwortfl{\"a}chenverfahren eingesetzt, um die reduzierte Matrix einer Einzelkomponente f{\"u}r ein Systemmodell auf der Basis der Geometrieparameter vorherzusagen. Abschließend fasst das sechste Kapitel die Ergebnisse zusammen. Die gezeigten Ans{\"a}tze sind sehr gut geeignet, um flexible Strukturen zu finden. Die Systemoptimierung und Prozessbeschleunigung konnten erfolgreich durchgef{\"u}hrt werden und haben zu signifikanten Verbesserungen gef{\"u}hrt. Abschließend wird das Vorgehen im Vergleich zu anderen L{\"o}sungsm{\"o}glichkeiten bewertet.}, subject = {Strukturoptimierung; Geometriebasierte Optimierung; Konzeptfindung; Planetengetriebe; Flugtriebwerke; Structural optimization; Geometry-based optimization; Concept development; Planetary gear box; Aero engines; Flugtriebwerk; Planetengetriebe; Strukturoptimierung}, language = {de} } @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} }