TY - THES A1 - Extra, Simon Karl T1 - Ein Beitrag zur ganzheitlichen Optimierung in der Kerntriebwerksvorauslegung T1 - A contribution to holistic optimization in core engine design N2 - Die etablierte Methode der Kerntriebwerksvorauslegung, die den Pfad immer größerer Komplexität und Abbildungsgenauigkeit bei abnehmender Abstimmung und Interaktion zwischen den Komponenten des Kerntriebwerks beschreitet, kann eine Systemverbesserung nicht zuverlässig herbeiführen. Dabei beginnt die Betrachtung des zu entwerfenden Triebwerks mit einer Gesamtbetrachtung und wird anschließend an weitgehend getrennte Expertengruppen übergeben. In diesen wird dann mit Auslegungswerkzeugen steigenden Detailgrads von analytischen Rechnungen mit empirischer Unterstützung über Stromlinienkrümmungsverfahren hin zu 3D-CFD-Methoden der Entwurf durchgeführt. Das Ziel dieser Arbeit ist es, den Entwurfsprozess für das Kerntriebwerk weg von einer Optimierung einzelner Komponenten mit detaillierten Methoden hin zu einer ganzheitlichen Betrachtung der Qualität des Entwurfs zu führen. Dies überwindet die oben beschriebenen Einschränkungen in der Auslegung und ist trotzdem in der Lage, auf bestehende validierte Analysewerkzeuge zurückzugreifen. Dazu werden die dafür genutzten Kopplungsstrategien einer vergleichenden Untersuchung mithilfe eines analytischen Kerntriebwerksmodells unterzogen. Dabei wird die Wichtigkeit einer leistungsfähigen Kopplungsstrategie in Verbindung mit einem passenden Optimierungsalgorithmus dargestellt. Dies führt nicht nur zu einer Verbesserung der Ergebnisqualität, sondern ermöglicht oftmals erst den Einsatz kooperativer Methoden. Ein Verfahren mit stochastischem Sampling und der Nutzung von Antwortflächen wird in diesem Kontext erläutert und weiterentwickelt. Den Schnittstellen zwischen den Komponenten und ihrer Definition, Abbildung und Beeinflussung durch das Optimierungsverfahren kommt dabei entscheidende Bedeutung zu. Auf Basis dieses Vergleichs werden auf industriellen Methoden basierende Komponentenprozesse für die Analyse und Optimierung von Verdichter, Brennkammer und Turbine auf ihre Eignung im Rahmen einer ganzheitlichen Optimierung hin zunächst untersucht und dann angepasst. Die evaluierten Kopplungsstrategien und die angepassten Komponentenoptimierungsprozesse werden in einen Systemoptimierungsprozess überführt. Dazu wird die gewählte Kopplungsstrategie hierfür angepasst und demonstriert nach der Optimierung eine Verbesserung hinsichtlich der Systemzielfunktion, wodurch die Anwendbarkeit von kooperativen Auslegungsmethoden im industriellen Kontext gezeigt wird. N2 - The state-of-the-art method for the preliminary design of aero engines uses the path of increasing complexity and details while decreasing interaction and interdependence of the components of the core engine. This method is not able to provide a meaningful improvement of the overall system performance. Whilst the initial steps of the engine design are deeply integrated, the current method steps away from that and gives design decisions to separate groups of experts, where methods with ever-increasing level of detail are applied to design. This covers analytical tools with correction factors taken from empirical methods Meanline analysis methods as well as 3D-CFD methods. The objective of the present work is to move the design process for the core engine away from an optimization of isolated components towards a holistic approach assessing the overall system quality. This allows the designer to overcome the limitations described above whilst retaining the knowledge inherent to established design methods. The used coupling strategies are, therefore, applied to an analytical representation of a core engine model and compared. This shows the importance of finding the right coupling strategy in conjunction with an appropriate optimization strategy. It not only improves the results but may be the key to using a specific coupling method in the first place. A method using stochastic sampling in combination with response surfaces is described in detail and expanded. The interfaces between components are a major focus and are important with respect to their definition, representation and modification. Based on this, industrial methods for the analysis and optimization of compressor, combustor and turbine are checked for their performance and modified accordingly. A system optimization process is created using the coupling methods and system processes discussed earlier. The chosen coupling strategy is modified and shows its potential to improve the system goal function during the optimization process. This shows the validity of using cooperative design methods in the context of industrial aero engine design. KW - Luftfahrtantriebe KW - Kerntriebwerk KW - Antwortflächen KW - Vorauslegung KW - Kopplungsstrategien KW - Aero engines KW - Core engine KW - Response surfaces KW - Pre-design KW - Coupling methods KW - Flugtriebwerk KW - Entwurf KW - Optimierung KW - Komplexes System KW - Bemessung Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-71459 ER - TY - THES A1 - Urbano Caguasango, José Mauricio T1 - Learning-based manufacturing deviation estimation for robust computer-aided design T1 - Lernbasierte Abschätzung von Fertigungsabweichungen für die robuste rechnergestützte geometrische Modellierung N2 - 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. 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. 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. N2 - 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. 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. 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. KW - Machine learning KW - Computer-adided design KW - Robust design KW - Manufacturing deviation KW - Turbine blade KW - Maschinelles Lernen KW - CAD KW - Robuster Entwurf KW - Fertigungsabweichungen KW - Turbinenschaufel KW - Turbinenschaufel KW - CAD KW - Maschinelles Lernen KW - Fertigung KW - Abweichung Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-61544 ER -