Echtzeitvorhersage der Auswirkungen von Fertigungs- und Bauabweichungen auf die Aerodynamik von mehrstufigen Axialkompressoren

Concepts de base

Ein tiefes Lernmodell kann die Auswirkungen von Fertigungs- und Bauabweichungen wie Spaltweite und Oberflächenrauigkeit auf das Strömungsfeld und die aerodynamische Leistung von mehrstufigen Axialkompressoren in Echtzeit genau vorhersagen.

Résumé

Dieser Beitrag demonstriert die Entwicklung und Anwendung eines neuartigen Deep-Learning-Frameworks zur Echtzeitvorhersage der Auswirkungen von Fertigungs- und Bauabweichungen auf das Strömungsfeld und die Gesamtleistung von mehrstufigen Axialkompressoren in Gasturbinen.
Das vorgeschlagene C(NN)FD-Modell erreicht eine mit CFD-Berechnungen vergleichbare Genauigkeit, benötigt aber deutlich weniger Rechenzeit. Das Modell kann in den Fertigungs- und Bauprozess von Gasturbinen integriert werden und ermöglicht so eine analytische Bewertung der Auswirkungen auf die Leistung. Dadurch können möglicherweise aufwendige Funktionstests vermieden werden.
Die Ergebnisse zeigen eine hervorragende Übereinstimmung zwischen den Vorhersagen des C(NN)FD-Modells und den CFD-Referenzwerten, sowohl für die detaillierten Strömungsfelder als auch für die Gesamtleistung des Kompressors. Selbst für extreme Fälle mit großen Spaltweiten und hoher Oberflächenrauigkeit bleibt die Genauigkeit sehr hoch. Das Modell kann daher als zuverlässiges Werkzeug zur Bewertung der Leistung eines bestimmten Triebwerksbaus eingesetzt werden, ohne aufwendige CFD-Analysen durchführen zu müssen.

Stats

Die Spaltweite und Oberflächenrauigkeit wurden für jede Stufe (I1=IGV, R1=Rotor-1, S1=Stator-1 usw.) um bis zu 50% größer und enger als die Konstruktionsvorgaben variiert.
Die Datensätze für das Training umfassen 400 CFD-Lösungen, von denen jede 90 Minuten auf 72 CPUs benötigte.

Citations

"Die vorgeschlagene Architektur ist nachweislich in der Lage, die Strömungsfelder sowohl für transsonische als auch für subsonische Stufen mit deutlich unterschiedlichen Strömungsmerkmalen genau vorherzusagen."
"Die größte lokale Abweichung liegt in der Größenordnung von 0,1%, was deutlich innerhalb der numerischen Genauigkeit des CFD-Lösers liegt."

Idées clés tirées de

Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics

by Giuseppe Bru... à arxiv.org 03-14-2024

https://arxiv.org/pdf/2310.04264.pdf

Questions plus approfondies

Wie könnte das Modell erweitert werden, um auch den Einfluss von Geometrievariationen und unterschiedlichen Betriebsbedingungen zu berücksichtigen?

Um den Einfluss von Geometrievariationen und unterschiedlichen Betriebsbedingungen zu berücksichtigen, könnte das Modell durch die Integration zusätzlicher Inputvariablen erweitert werden. Für Geometrievariationen könnten Parameter wie Stagger-Winkel, Kammerwinkel, maximale Dicke usw. in das Modell aufgenommen werden. Diese Parameter könnten dann als zusätzliche Eingabegrößen dienen, um die Auswirkungen von Geometrieänderungen auf die aerodynamische Leistung vorherzusagen.
Für unterschiedliche Betriebsbedingungen könnten Betriebsparameter wie Anströmwinkel, Drehzahl, Temperatur und Druck in das Modell integriert werden. Durch die Berücksichtigung dieser Betriebsbedingungen als Eingangsvariablen könnte das Modell in der Lage sein, die Leistung der Turbomaschine unter verschiedenen Betriebszuständen vorherzusagen.
Darüber hinaus könnte das Modell durch die Erweiterung der Trainingsdaten um verschiedene Geometrie- und Betriebsbedingungen trainiert werden. Durch die Integration einer Vielzahl von Szenarien in das Trainingsdatenset könnte das Modell eine breitere Palette von Einflussfaktoren berücksichtigen und somit genauer Vorhersagen für verschiedene Betriebsbedingungen und Geometrievariationen treffen.

Welche Gegenargumente gibt es gegen den Einsatz von Deep Learning-Modellen in der Turbomaschinenauslegung und wie können diese adressiert werden?

Ein mögliches Gegenargument gegen den Einsatz von Deep Learning-Modellen in der Turbomaschinenauslegung könnte die Komplexität und Black-Box-Natur solcher Modelle sein. Kritiker könnten Bedenken hinsichtlich der Interpretierbarkeit der Ergebnisse und der Fähigkeit, die zugrunde liegenden physikalischen Mechanismen zu verstehen, äußern.
Um dieses Gegenargument anzugehen, könnten Erklärbarkeitsmethoden wie Sensitivitätsanalysen, Aktivierungskartierungen und Gradientenvisualisierungen eingesetzt werden, um die Entscheidungsfindung des Modells transparenter zu gestalten. Durch die Integration von Erklärbarkeitsmethoden können Ingenieure und Aerodynamiker besser verstehen, wie das Modell zu seinen Vorhersagen gelangt und welche Merkmale im Input die größte Auswirkung haben.
Ein weiteres Gegenargument könnte die Notwendigkeit großer Datenmengen für das Training von Deep Learning-Modellen sein. Dies könnte durch die Integration von Physik-basierten Modellen wie Physics-Informed Neural Networks (PINNs) adressiert werden, die physikalische Gesetze in das Modell einbetten und somit die Abhängigkeit von großen Datensätzen verringern.

Welche Möglichkeiten bietet der Einsatz des Modells über die Leistungsvorhersage hinaus, z.B. für die Optimierung des Fertigungs- und Bauprozesses?

Der Einsatz des Modells über die Leistungsvorhersage hinaus bietet verschiedene Möglichkeiten für die Optimierung des Fertigungs- und Bauprozesses von Turbomaschinen.

Fertigungsprozessoptimierung: Das Modell kann verwendet werden, um den Einfluss von Fertigungsvariationen auf die aerodynamische Leistung vorherzusagen. Durch die Integration des Modells in den Fertigungsprozess können Hersteller frühzeitig potenzielle Probleme identifizieren und Maßnahmen zur Optimierung ergreifen.

Bauprozessüberwachung: Das Modell kann auch zur Echtzeitüberwachung des Bauprozesses eingesetzt werden. Durch die kontinuierliche Vorhersage der aerodynamischen Leistung während des Bauprozesses können Abweichungen von den Spezifikationen frühzeitig erkannt und korrigiert werden.

Kostenreduzierung: Durch die Verwendung des Modells zur Vorhersage von Leistungsänderungen aufgrund von Fertigungs- und Bauprozessvariationen können teure physische Tests reduziert werden. Dies kann zu Kosteneinsparungen führen und die Effizienz des gesamten Entwicklungsprozesses verbessern.

Insgesamt bietet der Einsatz des Modells über die Leistungsvorhersage hinaus die Möglichkeit, den gesamten Lebenszyklus von Turbomaschinen zu optimieren und die Effizienz und Zuverlässigkeit von Turbomaschinen zu verbessern.