Eigenfrequenzvorhersage für Verdichterschaufeln mit dreidimensionalen faltenden neuronalen Netzen (Masterarbeit)

Kurzfassung

Diese Arbeit stellt eine Machbarkeitsstudie des Deutschen Zentrums für Luft- und Raumfahrt e.V. (DLR e.V.) dar, welche die Möglichkeit aufzeigen soll, klassische Lösungsansätze durch alternative Machine Learning (ML)-Algorithmen zu ersetzten und damit komplexe und zeitaufwendige Simulationen von Triebwerksprozessen zu beschleunigen. Aus diesem Grund wird die Verlässlichkeit von Vorhersage über die Eigenfrequenzen von Verdichterschaufeln unter Verwendung eines ML-Modells untersucht und dient als alternative Berechnungsmöglichkeit, der dynamischen Festigkeits- und Verformungsberechnung einer klassischen numerischen Simulation mittels der Finite Elemente Methode (FEM). Für die Vorhersagen der ersten zehn signifikanten Eigenfrequenzen der Verdichterschaufelblätter einer Variation des Trent 1000 Triebwerks wird ein Deep Neural Network (DNN) bestehend aus einem dreidimensionalen Convolutional Neural Network (CNN) und einem vollständig verknüpften Artificial Neural Network (ANN) verwendet. Die inhomogenen Verteilungen der Eigenfrequenzen und der geometrischen Merkmale der Verdichterschaufelblätter stellen eine große Herausforderung für die Genauigkeit der Vorhersagen des DNN dar. Innerhalb eines umfangreichen Preprocessings des Datensatzes werden die einzelnen Verteilungen durch Normalisierungen optimiert und die darin enthaltenen Ausreißer reduziert. Mittels einer Hyperparameter Optimierung mit dem Open-Source Framework Optuna und dem darin enthaltenen Bayes’schen Optimierungsalgorithmus, wird die beste Modell-Konfiguration des DNN ermittelt. Trotz Fine-Tuning und der optimalen Modell-Konfiguration sowie einer umfangreichen Aufbereitung des Datensatzes können jedoch nur für 82.14% der Testdaten verlässliche Vorhersagen erzeugt werden. 50% der vorhergesagten Eigenfrequenzen besitzen einen geringeren Fehler als 5.53% und zeigen das große Potenzial des DNN-Modells. Eine umfangreiche Analyse der Ausreißer mit großen relativen Fehlern in den Vorhersagen ergibt, dass Verdichterschaufelblätter mit einem Volumen größer als 4000mm3 und Eigenfrequenzen größer 40000 Hz im zugrunde liegenden Datensatz extrem unterrepräsentiert sind. Über die Schnittmengen der Volumen- und Eigenfrequenzverteilungen der besten Vorhersagen und der Ausreißer werden die unterrepräsentierten geometrische Merkmale als weiter Ursache identifiziert. Abschließend wird die Fähigkeit des DNN dreidimensionale Merkmale in den Verdichterschaufelblättern zu erkennen durch die Analyse der Feature-Maps und Transfer-Learning in ein Logistic-Regression-Modell nachgewiesen.