Transfer-Learning von künstlichen neuronalen Netzen zur Wärmeübergangsvorhersage in Kühlkanälen von Raketenbrennkammern für verschiedene Treibstoffe

Abstract

In der vorliegenden Arbeit wird ein Verfahren dargestellt, durch das ein künstliches neuronal Netz mittels des Transfer-Learning-Algorithmus RegularTransferNN der Python-Bibliothek ADAPT angepasst wird. Dazu stand ein solches Netz, welches mittels Simulationsdaten aus Modellen numerischer Strömungsmechanik des Wärmeübergangs von mit Methan durchströmter Kühlkanäle trainiert wurde, zur Verfügung. Dieses war zuvor erfolgreich in der Vorhersage des Wärmeübergangs der Liquid upper stage demonstrator engine am Deutschen Zentrum für Luft- und Raumfahrt in Lampoldshausen eingesetzt worden. Es wird im Verlauf der Arbeit als Grundlage genutzt, und auf die Wärmeübergangsvorhersage ebenfalls dort entwickelter, regenerativ gekühlter Hydrocarbons mixed with Nitrous Oxide-Triebwerke angepasst - welche Lachgas als Kühlmedium nutzen. Die dazu verwendeten, realen Versuchsdaten stammen vom Prüfstands M11.5 und werden mittels einer für diesen Zweck erstellten Routine als Trainingsdaten bereitgestellt. Es kann durch die Untersuchungen in dieser Arbeit gezeigt werden, dass das künstliche neuronale Netz erfolgreich mittels TransferLearning angepasst wurde und nun die Wandtemperaturen von bis dato unbekannten Testdaten mit hoher Genauigkeit voraussagt.