Das Ziel des Projektes ist die Weiterentwicklung des institutseigenen CFD-Programms (Strömungslösers) TurboSim. Perspektivisch soll TurboSim als Teil des Optimierungs- und Auslegungsprozesses von z.B. Turbomaschinen oder Wärmeübertragern zum Einsatz kommen. Innerhalb des Auslegungsprozesses ist eine Vielzahl von Strömungssimulationen erforderlich, um wichtige integrale Zielkenngrößen der Optimierung zu ermitteln, wie z.B. der Wirkungsgrad einer Strömungsmaschine. Neben den grundlegenden Anforderungen (wie Genauigkeit, Robustheit und Konvergenz) ist es daher unabdingbar, dass das CFD-Verfahren ressourcenschonend arbeitet. Das vorgeschlagene Projekt beschäftigt sich daher mit der Beschleunigung und Effizienzsteigerung des Strömungslösers TurboSim mittels klassischer Methoden und Methoden des Maschinellen Lernens (ML) bzw. der Künstlichen Intelligenz (KI).

TurboSim-Simulationen mit hoher Gitterauflösung sind aktuell numerisch sehr teuer, liefern aber genaue Resultate. Rechnungen auf groben Gittern sind hingegen sehr schnell und liefern qualitativ gute Ergebnisse, jedoch sind potentielle Abweichungen bei den integralen Zielgrößen der Rechnung zu finden. Die Grundidee besteht nun darin, über eine Vielzahl von hochaufgelösten Simulationen systematische Fehler in Bezug auf die integralen Parameter (z.B. Totaldruckerhöhung, statischer Druckaufbau, Wellenleistung, Wirkungsgrad) bei groben Simulationen zu erkennen und mit Hilfe von ML-/ KI-Methoden zu korrigieren. Im Erfolgsfall würde dadurch die benötigte Rechenzeit drastisch reduziert und der Einsatz von CFD für die geometrische Optimierung von durch- und umströmten Bauteilen ermöglicht.