Untersuchung von Deep-Learning Methoden zur hocheffizienten Vorhersage von aerodynamischen Daten

Kurzfassung

Das Ziel dieser Arbeit ist es, das Potential von neuronalen Netzen als alternative Ersatzmodelle zur Effizienzsteigerung bei der Erzeugung aerodynamischer Daten zu bewerten. Zu diesem Zweck werden drei verschiedene Fallbeispiele analysiert, die sowohl sub- als auch transsonische Strömungsbereiche sowie stationäres und instationäres Strömungsverhalten abdecken. Für jedes Fallbeispiel wird sowohl ein klassisches Ersatzmodell, das aus einer Dimensionsreduzierung durch die Proper Orthogonal Decomposition-Methode und einer Thin Plate Splinesbasierten Interpolation besteht, als auch ein neuronales Netz für die Erzeugung bzw. Vorhersage von aerodynamischen Daten verwendet, wobei die Druckverteilung hierbei im Fokus steht. Als neuronales Netz wird ein Multilayer Perceptron für stationäre Strömungen bzw. ein Long ShortTerm Memory-basiertes rekurrentes neuronales Netz für instationäre Strömungen verwendet. Außerdem werden verschiedene Datenaufbereitungsmethoden untersucht. Zur Bestimmung geeigneter Hyperparameter werden zudem verschiedene Methoden, die entweder auf einer zufälligen oder optimierten Suche basieren, eingesetzt und miteinander verglichen. Die Vorhersagegenauigkeit der Ersatzmodelle wird anhand eines Vergleichs mit der CFD-Referenzlösung ermittelt. Abschließend wird das Potential des neuronalen Netzes anhand der Kriterien Vorhersagegenauigkeit und zeitlicher Aufwand durch einen Vergleich mit dem klassischen Ersatzmodell bewertet. Es wird gezeigt, dass die optimierte Suche zu genaueren Vorhersageergebnissen als die zufällige Suche führt. Die Vorhersagegenauigkeit des neuronalen Netzes steigt um 39:08%, wenn die Druckverteilung anhand der Druckbeiwerte an einzelnen Oberflächenpunkten vorhergesagt wird im Vergleich zu der Vorhersage der Druckverteilung als Gesamte. Zudem zeigt sich bei der Untersuchung der instationären Strömung ein deutlicher Trend zu genaueren Vorhersagen bei einer steigenden Anzahl an zeitlichen Ableitungen des Anstellwinkels als zusätzliche Eingangsgrößen. Die Verwendung eines neuronalen Netzes als Ersatzmodell für die Vorhersagen der Druckverteilung erfordert generell einen höheren Zeitaufwand als die Verwendung eines klassischen Ersatzmodells. Dieser zeitliche Mehraufwand kann jedoch durch den Einsatz der neuronalen Netze als Ersatzmodell im transsonischen Bereich durch eine deutlich höhere Vorhersagegenauigkeit bezüglich auftretender Verdichtungsstöße gerechtfertigt und der Einsatz der neuronalen Netze für diesen Bereich empfohlen werden.