Ein interdisziplinäres Team der TU Graz hat im Projekt ARIADNE ein eigenes KI-unterstütztes Modell entwickelt, das dabei helfen soll, Triebwerke sparsamer zu machen – und zwar schneller als es bisherige Vorgehensweisen ermöglichen. Im Fokus liegen dabei Turbinen-Übergangskanäle.
"Turbinen-Übergangskanäle sind ein wesentliches Bauteil von Flugtriebwerken", so Projektleiter Wolfgang Sanz vom Institut für Thermische Turbomaschinen und Maschinendynamik der TU Graz. "Sie bilden den Übergang zwischen der Hochdruck- und Niederdruckturbine, die mit verschiedenen Drehzahlen laufen. Diese Übergangskanäle haben aber ein recht hohes Gewicht, darum will man sie möglichst kurz, klein und leicht bauen und dennoch hohe Wirkungsgrade erreichen. Hier ist noch recht viel Potenzial für die Optimierung vorhanden."
Verschiedene KI-Modelle im Vergleich
Basis für Verbesserungen sind Strömungsdaten zu Turbinenübergangskanälen, die am Institut für Thermische Turbomaschinen und Maschinendynamik über Jahre gesammelt wurden. Es handelt sich dabei sowohl um Messdaten als auch um Daten aus Strömungssimulationen, die während eigener Forschung in Kooperation mit Triebwerksherstellern erhoben wurden. Diese Daten wurden mit KI und Machine Learning zusammengeführt. Daraus haben die Forscher ein Modell entwickelt, mit dem sich schneller und effizienter prüfen lässt, wie sich Änderungen verschiedener Geometrieparameter auf den Wirkungsgrad auswirken. Im Projekt ARIADNE haben Wolfgang Sanz und der Dissertant Marian Staggl mit der Forschungsgruppe von Franz Wotawa am Institute of Software Engineering and Artificial Intelligence der TU Graz sowie zwei Unternehmenspartnern zusammengearbeitet.
Untersucht wurden drei verschiedene, KI-unterstützte Ansätze: Reduced Order Models, Surrogate Models und PINNs (Physics Informed Neural Networks). Die besten Ergebnisse hat das Team nach eigenen Angaben mit Reduced Order Models erzielt. Diese Modelle suchen nach Angaben der TU Graz die Gemeinsamkeiten in den Daten und nutzen zur Simulation nur die wichtigsten gemeinsamen Merkmale. Das führe zu einer enormen Beschleunigung der Berechnungen im Vergleich zu einer kompletten Strömungssimulation. Auch wenn Reduced Order Models nicht ganz so genau seien, ermöglichten sie die Vorhersage von Trends und die Identifikation von Optimierungspotenzialen. Ein weiterer Vorteil des selbst entwickelten Modells sei die Möglichkeit, rasch Änderungen des Wirkungsgrads zu erkennen, wenn sich ein Parameter, beispielsweise die Länge des Übergangskanals, verändert.
"Aus den Ergebnissen der Machine-Learning-Ansätze konnten wir Abhängigkeiten und Trends erkennen, an die wir sonst gar nie gedacht hätten", so Sanz. Bisher bildet das Reduced Order Model die Turbinenübergangskanäle jedoch nur zweidimensional ab. Die Grazer Forscher wollen in einem nächsten Schritt an einem dreidimensionalen Simulationsmodell arbeiten. Die im Projekt entstandene Datenbank über Übergangskanäle und das Reduced Order Model werden zudem online anderen Forschungsgruppen zur Verfügung gestellt.
