• search hit 9 of 10
Back to Result List

Automated process for robust airfoil design-optimization incorporating critical eigenmode identification and production-tolerance evaluation

Automatisierter Prozess zur robusten Schaufeloptimierung einschließlich der Erkennung von kritischen Eigenformen und Berechnung der Produktionstoleranz

  • For many countries, gasturbine technology is one of the key technologies for the reduction of climate-damaging pollutant emissions. The profitability of such facilities, however, is highly dependent on the price for the utilized fossil fuel, which is why there is a constant need for increased efficiency. The potential of increasing the efficiency of the individual components is basically limited by factors which will reduce operating life. The goal of this thesis is to develop methods for improved automated structural design optimization, which shall be developed on the basis of compressor airfoils. Special attention is payed to avoid the excitation of failure critical eigenmodes by detecting them automatically. This is achieved by introducing a method based on self-organizing neural networks which enables the projection of eigenmodes of arbitrary airfoil geometries onto standard surfaces, thereby making them comparable. Another neural network is applied to identify eigenmodes which have been defined as critical for operating life.For many countries, gasturbine technology is one of the key technologies for the reduction of climate-damaging pollutant emissions. The profitability of such facilities, however, is highly dependent on the price for the utilized fossil fuel, which is why there is a constant need for increased efficiency. The potential of increasing the efficiency of the individual components is basically limited by factors which will reduce operating life. The goal of this thesis is to develop methods for improved automated structural design optimization, which shall be developed on the basis of compressor airfoils. Special attention is payed to avoid the excitation of failure critical eigenmodes by detecting them automatically. This is achieved by introducing a method based on self-organizing neural networks which enables the projection of eigenmodes of arbitrary airfoil geometries onto standard surfaces, thereby making them comparable. Another neural network is applied to identify eigenmodes which have been defined as critical for operating life. The failure rate of such classifiers is significantly reduced by introducing a newly developed initialization method based on principle components. A structural optimization is set up which shifts the eigenfrequency bands of critical modes in such a way that the risk of resonance with engine orders is minimized. In order to ensure practical relevance of optimization results, the structural optimization is coupled with an aerodynamic optimization in a combined process. Conformity between the loaded hot-geometry utilized by the aerodynamic design assessment and the unloaded cold-geometry utilized by the structural design assessment is ensured by using loaded-to-unloaded geometry transformation. Therefor an innovative method is introduced which, other than the established time-consuming iterative approach, uses negative density for a direct transformation taking only a few seconds, hence, making it applicable to optimization. Additionally, in order for the optimal designs to be robust against manufacturing variations, a method is developed which allows to assess the maximum production tolerance of a design from which onwards possible design variations are likely to violate design constraints. In contrast to the usually applied failure rate, the production tolerance is a valid requirement for suppliers w.r.t.~expensive parts produced in low-quantity, and therefore is a more suitable optimization objective.show moreshow less
  • Für viele Länder ist die Gasturbine eine der Schlüsseltechnologien, um ihren klimaschaedlichen Schadstoffausstoß zu reduzieren. Die Profitabilität solcher Anlagen hängt jedoch wesentlich von den Preisen des jeweiligen fossilen Brennstoffs ab, weshalb ein stetiger Entwicklungsdruck zu immer effizienteren Anlagen zu verzeichnen ist. Die mögliche Effizienzsteigerung der einzelnen Komponenten wird jedoch im Wesentlichen durch lebensdauerreduzierende Faktoren beschränkt. Daher ist das Ziel dieser Arbeit, Methoden zur besseren automatisierten strukturdynamischen Bauteiloptimierung am praktischen Beispiel von Verdichterschaufeln zu entwickeln. Insbesondere liegt der Fokus darauf, die Erregung kritischer Eigenschwingungen zu vermeiden. Zu diesem Zweck müssen vorher als kritisch definierte Eigenformen automatisiert erkannt werden. Dies geschieht mit Hilfe einer auf Basis von selbstorganisierenden neuronalen Netzen entwickelten Projektionsmethode, welche es ermöglicht, Schwingungseigenformen beliebiger Schaufelgeometrien auf eine StandardflächeFür viele Länder ist die Gasturbine eine der Schlüsseltechnologien, um ihren klimaschaedlichen Schadstoffausstoß zu reduzieren. Die Profitabilität solcher Anlagen hängt jedoch wesentlich von den Preisen des jeweiligen fossilen Brennstoffs ab, weshalb ein stetiger Entwicklungsdruck zu immer effizienteren Anlagen zu verzeichnen ist. Die mögliche Effizienzsteigerung der einzelnen Komponenten wird jedoch im Wesentlichen durch lebensdauerreduzierende Faktoren beschränkt. Daher ist das Ziel dieser Arbeit, Methoden zur besseren automatisierten strukturdynamischen Bauteiloptimierung am praktischen Beispiel von Verdichterschaufeln zu entwickeln. Insbesondere liegt der Fokus darauf, die Erregung kritischer Eigenschwingungen zu vermeiden. Zu diesem Zweck müssen vorher als kritisch definierte Eigenformen automatisiert erkannt werden. Dies geschieht mit Hilfe einer auf Basis von selbstorganisierenden neuronalen Netzen entwickelten Projektionsmethode, welche es ermöglicht, Schwingungseigenformen beliebiger Schaufelgeometrien auf eine Standardfläche zu projizieren, um eine Vergleichsgrundlage zu erhalten. Mit Hilfe eines weiteren neuronalen Netzwerks wird geprüft, ob eine projizierte Eigenform einer der zuvor als kritisch definierten Eigenformen entspricht. Dieser Klassifizierer wurde durch eine neu entwickelte Initialisierungsmethode basierend auf Priniciple-Component-Analysis in seiner Fehlerrate entscheidend verbessert. In einen strukturellen Optimierungsprozess eingebettet führen diese Methoden zu einer Minimierung des Risikos von Bauteilresonanz zwischen Eigenschwingungen und Anregungen. Um den praktischen Nutzen der Optimierungsergebnisse sicherzustellen, wird der strukturelle Optimierungsprozess mit einem aerodynamischen gekoppelt. Dabei wird die Konsistenz zwischen den auf der belasteten heißen Geometrie beruhenden aerodynamischen und den ausgehend von der kalten unbelasteten Geometrie berechneten strukturmechanischen Ergebnissen durch eine innovative Methode erreicht, welche eine negative Bauteildichte zur direkten Transformation in nur wenigen Sekunden nutzt und somit im Gegensatz zur bisherigen iterativen Methode für Optimierungsprozesse praktisch anwendbar ist. Damit die optimalen Entwürfe aus dem Optimierungsprozess zusätzlich robust gegen stochastische Produktionsvariationen sind, wurde eine Methode zur Bestimmung der Produktionstoleranz eines Entwurfs entwickelt, ab der mögliche Entwürfe Versagenskriterien verletzen würden. Die Produktionstoleranz ist eine valide Anforderung an Zulieferer für teure und in geringer Stückzahl produzierte Bauteile und somit, als Optimierungskriterium formuliert, aussagekräftiger als die üblicherweise verwendete Ausfallrate.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Ivo Martin
URN:urn:nbn:de:kobv:co1-opus4-47136
Referee / Advisor:Prof. Dr.-Ing. habil. Dieter Bestle, Prof. Dr.-Ing. Arnold Kühhorn
Document Type:Doctoral thesis
Language:English
Year of Completion:2018
Date of final exam:2018/10/05
Release Date:2019/03/04
Tag:Eigenform; Klassifizierung; Mehrkriterienoptimierung; Neuronales Netzwerk; Produktionstoleranzen
Classification; Eigenmode; Multidisciplinary design optimization; Neural Network; Production Tolerance
GND Keyword:Gasturbine; Eigenschwingung; Neuronales Netz; Optimierung
Institutes:Fakultät 3 Maschinenbau, Elektro- und Energiesysteme / FG Technische Mechanik und Fahrzeugdynamik
Licence (German):Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.