Refine
Document Type
- Doctoral thesis (2)
Has Fulltext
- yes (2)
Is part of the Bibliography
- no (2)
Keywords
- Maschinelles Lernen (2) (remove)
Institute
Beschleunigung der Verdichterkennfeldberechnung mithilfe von Methoden des maschinellen Lernens
(2021)
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.
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.
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.
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.
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.