Entwicklung eines mit Hilfe von CFD Simulationen trainiertenAutoencoders zwecks schneller Vorhersage aerodyamischerDaten für Flügelprofile

Abstract

Während sich die numerische Strömungssimulation durch Computational Fluid Dynamics (CFD)als mächtiges Werkzeug in der Flugzeugentwicklung erwiesen hat, ist diese für dieEvaluierung aller notwendigen Strömungsbedingungen zu rechenaufwendig. Datengetriebeneaerodynamische Ersatzmodelle, welche auf vollständigen CFD Lösungen basieren, könnenVorhersagen für Strömungsbedingungen treffen, für welche keine CFD Berechnungen vorliegen. Die SMARTy Toolbox implementiert solche Erstzmodelle welche auf einer Dimensionsreduzierung der Trainingsdaten durch POD mit anschließender Interpolation auf dem dadurcherzeugen Unterraum basieren. Dabei kann es allerdings zu abweichenden Vorhersagen unter nichtlinearen, transsonischen Strömungsbedingungen kommen. In dieser Arbeit wurden Autoencodernetzwerke evaluiert, welche die POD Methode ersetzen und eine nichtlineareDimensionsreduzierung ermöglichen. Diese wurden erneut mit TPS Interpolation kombiniertund konnten für die getesteten Oberflächendruckverteilungen auf einem zweidimensionalen Flügelprofil genauere Vorhersageergebnisse liefern. Dabei erwiesen sich vor allem Convolu-tional Autoencoder als geeignet. In allen Modellen konnten die, gegenüber POD genaueren Vorhersagen, durch eine für die Interpolation geeignete Einbettung im Unterraum erreichtwerden. Während die Methode gegenüber POD zwar über deutlich höhere Offlinekosten verfügt, sind die Onlinekosten für eine Strömungsvorhersage vergleichbar geblieben