Integration der Kabinenakustik in den multidisziplinären Flugzeugvorentwurfsprozess

Kurzfassung

Die Anforderungen an das klimaneutrale Fliegen erfordern den Einsatz innovativer und nachhaltiger Technologien, speziell in den Bereichen der Aerodynamik und des Antriebes. Diese sind jedoch als dominante Ursache für den Kabinenlärm zu identifizieren, welcher angesichts der zunehmenden Anforderungen an den Passagierkomfort eine zentrale Rolle bei dessen Bewertung spielt. Die Kabinenakustik stellt außerdem aufgrund der Gesundheit der Kabinenbesatzung sowie der Kommunikationsfähigkeit während des Fluges für den Flugzeugentwurf einen kritischen Aspekt dar, für welchen es zur Vermeidung von möglichen Verzögerungen oder Risiken der Inbetriebnahme neuer Flugzeugkonzepte unerlässlich ist, den Kabinenlärm bereits in den frühen Entwurfsphasen zu evaluieren. Um die steigenden Anforderungen an die Kabinenakustik mit den Zielen eines nachhaltigen und effizienten Flugzeugkonzepts zu vereinen, stellt die multidisziplinäre Entwurfsanalyse und -optimierung (MDAO) eine etablierte Methode im Flugzeugvorentwurf dar. In diesem Kontext wird in der vorliegenden Masterarbeit auf Basis der Finite Elemente Methode (FEM) eine Methodik zur zuverlässigen und recheneffizienten Kabinenlärmvorhersage entwickelt, die eine Integration in den multidisziplinären Flugzeugvorentwurf erlaubt. Die präzise Kabinenlärmvorhersage mittels der FEM erfordert einen hohen Fidelitätsgrad der Simulationsmodelle. Für eine umfassende Modellierung der Rumpf- und der Kabinenstruktur gilt es daher die begrenzt verfügbaren Vorentwurfsdaten mit spezifischem Wissen anzureichern. Zu diesem Zweck wird auf das wissensbasierte Werkzeug FUGA (Fuselage Geometry Assembler) zurückgegriffen, welches die Generierung von Simulationsmodellen mit hoher Detailtreue ermöglicht. Darüber hinaus erlaubt FUGA die effiziente Bereitstellung zahlreicher Modellvarianten durch eine solveragnostische Formulierung der Simulationsmodelle und eine hohe Adaptierbarkeit gegenüber Konfigurationsänderungen. Der notwendige Fidelitätsgrad für zuverlässige Kabinenlärmprognosen erfordert umfangreiche Berechnungen, welche im Widerspruch mit den Voraussetzungen der MDAO stehen. Um dieser Problematik entgegenzutreten, wird der Einsatz datenangepasster Surrogatmodelle als zuverlässiger und recheneffizienter Ansatz zur Kabinenlärmvorhersage in der MDAO untersucht. Um das vibroakustische Verhalten bei Änderungen spezifischer Flugzeugparameter realitätsnah abzubilden, ist es erforderlich, bei der Erstellung der Trainingsdaten für die Surrogatmodelle mittels der FEM die disziplinären Wechselwirkungen des Flugzeugvorentwurfs mit der Kabinenakustik zu berücksichtigen, da diese die akustischen Eigenschaften maßgeblich beeinflussen. Die Integration dieser Interaktionen in das Surrogatmodell macht eine explizite Modellierung der Kopplungen im MDAO-Prozess redundant, sodass der MDAO-Prozess in seiner Komplexität wesentlich reduziert sowie dessen Recheneffizienz signifikant gesteigert werden kann. Die Implementierung der Surrogatmodelle zur Vorhersage des Kabinenlärms in das Optimierungsframework RCE (Remote Component Environment) sowie die Nutzung des Luftfahrzeugdatenschemas CPACS (Common Parametric Aircraft Configuration Schema) als zentrales Datenaustauschformat stellen die Anbindung an die vorhandenen Tools und Prozesse des Flugzeugvorentwurfs unter Wahrung der Konsistenz der disziplinspezifischen Modelle sicher. Die Anwendbarkeit und die Erweiterbarkeit der entwickelten Methodik wird anhand vereinfachter Flugzeugvorentwurfsprozesse aufgezeigt, die über die Kabinenakustik hinaus die Struktur- sowie die Kabinenauslegung berücksichtigen. Anhand dieser Anwendungen der Methodik wird die Fähigkeit zur Lösung von Zielkonflikten aufgezeigt, die eine optimierte Abstimmung zwischen den Anforderungen an den Gesamtentwurf und dem Passagierkomfort ermöglicht. Damit leistet die vorliegende Arbeit einen bedeutsamen Beitrag zu der ganzheitlichen Betrachtung des Flugzeugentwurfs, der die Kabinenakustik als zusätzliche Disziplin effektiv integriert.