Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

Das Ziel der Forschungsarbeiten ist die Weiterentwicklung des eigenen Strömungslösers TurboSim um Methoden des maschinellen Lernens (ML).

Ausgangssituation

Ein modernes Entwurfsverfahren für Turbomaschinen oder Wärmeübertrager muss Ingenieure in die Lage versetzen, Komponenten höchster Effizienz zu entwickeln.

TurboSim - Simulationen mit hoher Gitterauflösung sind aktuell sehr aufwendig. 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.

Lösungsansatz

Die Grundidee besteht darin, über eine Vielzahl von hochaufgelösten Simulationen systematische Fehler in Bezug auf die integralen Parameter wie z.B. Totaldruckerhöhung zu erkennen und mit Hilfe von ML/KI-Methoden zu korrigieren.

Teilziele

• Beschleunigung des Strömungslösers TurboSim mit klassischen Methoden wie z.B. Parallelisierung
• Präprozessor zum Anlernen der Künstlichen Intelligenz (KI)
• Korrektur integraler Strömungsgrößen