<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>6154</id>
    <completedYear>2022</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-11-25</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2022-09-30</thesisDateAccepted>
    <title language="eng">Learning-based manufacturing deviation estimation for robust computer-aided design</title>
    <title language="deu">Lernbasierte Abschätzung von Fertigungsabweichungen für die robuste rechnergestützte geometrische Modellierung</title>
    <abstract language="eng">Surface variations are an unavoidable byproduct of any manufacturing process and may lead to deviating part performance and even elevated part rejection rates. Because traditional computer aided-design approaches are aimed towards production of idealized, nominal geometric shapes, the wide geometric-and statistical-variability typical for any manufacturing process remains unrepresented and is frequently ignored during design. Thus, the present work aims at a more realistic design approach and, therefore, develops a collection of computer-aided design strategies for accurate representation, statistical analysis and prospective estimation of surface deviations with validation examples on aero engine turbine blades.&#13;
The CAD representation of real manufactured surfaces requires the ability to accurately recreate complex geometric shapes. This is achieved by automated re-parametrization of any CAD face of interest as B-spline surface with a rather dense control point grid. Face matching to scanned manufactured samples is then performed by calculating control point displacements, which successfully deliver surface representation errors below typical measurement uncertainties on multiple matching examples from turbine shank and hot-gas faces. Since inference of performance variability due to manufacturing is usually limited by the amount of scanned manufactured parts, a probabilistic model is formulated based on singular-value decomposition of control point displacements and identification of dominant manufacturing modes. This allows generation of an infinite set of synthetic deviating surfaces faithful to experimental deviation patterns.  &#13;
Nominal geometric features may significantly differ between design iterations and manufacturing modes may not necessarily be transferable between different designs. Thus, deviation estimation may remain infeasible before manufacturing. To enable deviation estimation during the design phase, the present work proposes a machine learning strategy to identify deviation patterns explained by nominal geometric properties-such as relative position and local orientation-and use them for deviation estimation on new designs. This strategy is able to predict realistic stress variability induced by shank deviations of a turbine blade design using only surface deviation information from three given designs, which encourages machine-learning approaches as valuable tool for geometric deviation estimation as part of robust design.</abstract>
    <abstract language="deu">Fertigungsabweichungen sind unvermeidbar und tragen signifikant zu unerwünschten Performance-Variationen und erhöhten Ablehnungsraten bei. Konventionelle rechnergestützte Bauteilauslegungsmethoden konzentrieren sich dagegen meist auf die Erstellung von idealisierten, nominalen Geometrien und lassen statistische Fertigungsvariabilitäten in der Auslegungsphase großenteils unberücksichtigt. Um beides besser miteinander zu verbinden, werden in dieser Arbeit eine Reihe von rechnergestützten Konstruktions- und Modellierungsmethoden vorgestellt, welche eine virtuelle Rekonstruktion, robuste statistische Analyse und prädiktive Abschätzung von Oberflächenabweichungen erlauben, und mittels Validierungsbeispiele für Turbinenschaufeln nachgewiesen.&#13;
Die CAD Darstellung von Fertigungsabweichungen erfordert die Fähigkeit, komplexe geometrische Formen akkurat nachzubilden, weshalb in dieser Arbeit die CAD Fläche zunächst als B-Spline Fläche mit hoher Kontrollpunkt-Dichte re-parametrisiert wird. Die Flächenanpassung an eingescannte, gefertigte Bauteile erfolgt dann durch Berechnung von Kontrollpunkt-Verschiebungen. Anhand mehrerer Anpassungsbeispiele von Heißgas- und Schaftflächen einer Turbinenschaufel wird nachgewiesen, dass Anpassungsgenauigkeiten unterhalb typischer Messunsicherheiten möglich sind. Um statistische Abschätzungen der geometrischen Variabilität des Fertigungsprozesses trotz einer limitierten Anzahl an vermessenen Bauteilen zu ermöglichen, wird ein probabilistisches Modell der Fertigungsstreuung auf Basis von Singulärwertzerlegung der Kontrollpunkt-Abweichungen und Identifizierung dominanter Fertigungsmoden entwickelt. Dies ermöglicht die Generierung unendlich vieler, synthetischer fertigungstreuer Abweichungsexemplare.&#13;
Diese Darstellung der geometrischen Variabilität ist allerdings auf eine bestimmte Parametrisierung beschränkt, weshalb eine direkte Übertragung auf neue abweichende geometrische Designs nicht korrekt ist. Um eine solche zu ermöglichen, wird eine Strategie zur Erkennung geometrisch-bedingter Fertigungsmuster basierend auf Methoden des maschinellen Lernens formuliert. Diese Strategie ist in der Lage, realistische Abschätzungen von Oberflächen- und Spannungsvariabilität der Schaftflächen einer Turbinenschaufel vorzunehmen, allein durch Verwendung von Oberflächenmessungen dreier bereits gefertigter Turbinenschaufel-Entwürfe. Damit wird das große Potential des maschinellen Lernens bei der Wissensextraktion aus Fertigungsexemplaren bestätigt und ihre Weiterentwicklung innerhalb robuster Entwurfsprozesse ermutigt.</abstract>
    <identifier type="doi">10.26127/BTUOpen-6154</identifier>
    <identifier type="urn">urn:nbn:de:kobv:co1-opus4-61544</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.</licence>
    <author>José Mauricio Urbano Caguasango</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Computer-adided design</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Robust design</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Manufacturing deviation</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Turbine blade</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>CAD</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Robuster Entwurf</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Fertigungsabweichungen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Turbinenschaufel</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Turbinenschaufel</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>CAD</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Fertigung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Abweichung</value>
    </subject>
    <collection role="ddc" number="670">Industrielle Fertigung</collection>
    <collection role="collections" number="">Wiss. Publikationen</collection>
    <collection role="institutes" number="3507">FG Technische Mechanik und Fahrzeugdynamik</collection>
    <thesisPublisher>BTU  Cottbus - Senftenberg</thesisPublisher>
    <thesisGrantor>BTU Cottbus - Senftenberg</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-btu/files/6154/Urbano_Dissertation.pdf</file>
  </doc>
  <doc>
    <id>5395</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2021-01-25</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2020-10-01</thesisDateAccepted>
    <title language="deu">Beschleunigung der Verdichterkennfeldberechnung mithilfe von Methoden des maschinellen Lernens</title>
    <title language="eng">Acceleration of compressor map computation by utilizing machine learning techniques</title>
    <abstract language="deu">In der heutigen Triebwerksentwicklung ist die Verwendung komplexer und zeitaufwändiger numerischer Strömungssimulationsverfahren (3D-CFD) unerlässlich. Dies gilt auch und insbesondere für den Bereich der Verdichterkennfeldberechnung, welcher viele zeitintensive 3D-CFD Berechnungen benötigt. 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 Beschränkung auf einzelne Drehzahlen wird jedoch nicht der gesamte Charakter des Kennfeldes erfasst, so dass unbekannte Betriebsbereiche aus linearer Interpolation abgeleitet werden müssen. Ein zusätzlicher Nachteil solcher auf einzelne Drehzahllinien fixierten Methoden ist ihre geringe Parallelisierbarkeit. &#13;
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 üblichen strukturierten Berechnung einzelner Drehzahllinien löst und stattdessen mit unstrukturierten, zufällig bestimmte  Stützstellen arbeitet. Dabei wird ein zweiphasiges Verfahren entwickelt, bei dem zunächst die Pump- und Sperrlinien in ihrer Gesamtheit mit einer iterativen, hoch parallelisierbaren, auf Support-Vector-Machine beruhenden Strategie bestimmt werden. Als nächster Schritt wird mit Methoden der statistischen Versuchsplanung eine ausreichende Dichte von Stützstellen innerhalb der Betriebsgrenzen des Verdichters generiert. Abschließend werden auf Basis aller verwendeten Stützstellen Antwortflächen für Verdichterdruckverhältnis, Wirkungsgrad und Eintrittsmassenstrom aufgebaut.&#13;
Zur Reduktion der Rechenzeit jeder einzelnen 3D-CFD Rechnung werden unterschiedliche Methoden zur Erzeugung von Startlösungen betrachtet. In diesem Rahmen werden Initialisierungsansätze aus reduzierten Strömungsmodellen und aus der Superposition von bereits bekannten Strömungslösungen auf Basis der Methode der Proper-Orthogonal-Decomposition (POD) untersucht.&#13;
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.</abstract>
    <abstract language="eng">In modern-day turbo engine development, the usage of complex and time consuming numerical flow simulation methods (3D-CFD) is essential. This especially applies to compressor map computation which require many time-consuming 3D-CFD calculations. For a qualitative assessment of a compressor design, not only the operating points, such as cruise, take-off and landing, must be depicted precisely, but the critical operating limits called surge and choke must be detected. Previous investigations on the automated compressor map computation were based on structured calculations of several speed-lines, for which, each line choke and surge limits are traced separately. Due to the restriction to single speed-lines, however, the entire characteristic of the compressor map is unknown, hence unknown operation points must be derived from linear interpolation. An additional disadvantage of these speed-line based methods is their infeasibility for parallel computing. The focus of this work is on the development of an efficient process for the acquisition of the entire compressor map. The two main requirements therefore are firstly a reduction of the number of necessary CFD calculations for a sufficiently precise description of the compressor map and secondly, an acceleration of every single 3D-CFD calculation.&#13;
For this purpose a compressor map computation strategy is proposed, which differs from the standard structured single speed-line approach using instead an unstructured randomly determined samples approach. Hence a two-step process is being developed. In the first step, the entire surge- and choke-line is approximated with an iterative, highly parallelizable strategy based on support-vector-machine. In the second step, statistical Design of Experiments (DoE) methods are used to achieve sufficient density of samples within the operating limits of the compressor. Finally a response-surface method is used to approximate compressor map features like pressure ratio, efficiency and inlet mass flow.&#13;
To reduce the computation time of each 3D-CFD calculation, different methods of flowfield initialization are considered. In this context, initialization approaches with reduced-order flow models and superposition of already known flow solutions based on the Proper-Orthogonal-Decomposition (POD) method are investigated.&#13;
Finally for validation purposes the developed compressor map computation process combined with the POD-initialization approach is applied to a 4.5-stage research compressor model.</abstract>
    <identifier type="doi">10.26127/BTUOpen-5395</identifier>
    <identifier type="urn">urn:nbn:de:kobv:co1-opus4-53950</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.</licence>
    <author>Dmitrij Ivanov</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Verdichterkennfeld</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>3D-CFD</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Support-Vector-Machine</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Strömungsfeld-Initialisierung</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Flowfield-initialization</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Compressor map</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>3D-CFD</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Support-vector-machine</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Verdichter</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Kennfeld</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Numerische Strömungssimulation</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Optimierung</value>
    </subject>
    <collection role="ddc" number="620">Ingenieurwissenschaften und zugeordnete Tätigkeiten</collection>
    <collection role="collections" number="">Wiss. Publikationen</collection>
    <collection role="institutes" number="3507">FG Technische Mechanik und Fahrzeugdynamik</collection>
    <thesisPublisher>BTU  Cottbus - Senftenberg</thesisPublisher>
    <thesisGrantor>BTU Cottbus - Senftenberg</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-btu/files/5395/dmitrij_ivanov.pdf</file>
  </doc>
</export-example>
