A Predictive Design Method for Compressor Blisks

Kurzfassung

Die vorliegende Arbeit beschreibt die Anwendung von ML Methoden auf ein klassisches Ingenieursproblem: Die strukturmechanische Dimensionierung von Verdichterkomponenten. Der Fokus liegt dabei in gleichen Teilen auf der Erzeugung synthetischer Daten mithilfe von vollautomatisierten Prozessen sowie dem anschließenden Training der ML Modelle. Die Entwicklung der Methode folgt dem folgenden Aufbau: Zunächst wurde eine geeignete geometrische Beschreibung der Verdichterscheibe erarbeitet. Um die anschließende strukturmechanische Berechnung zu ermöglichen, wurden an die Geometrie angepasste Vernetzungsprozesse, sowohl für das Verdichterblatt als auch für die Scheibe, entwickelt. Für die Ermittlung der Bauteilauslastung wurde die finite Element Methode angewandt. In einem Löser- und Analysevergleich zeigte der open-source Löser CalculiX mit einer linear statischen Analyse die beste Kombination aus benötigter Berechnungszeit und erreichter Genauigkeit. Mithilfe von speziell entwickelten Methoden können die benötigten Ziel- und Kontrollgrößen aus den Ergebnisdaten extrahiert werden. Der bis hier beschriebene Prozess bildet die Grundlage für eine Parameteroptimierung der Scheibengeometrie. Gesucht sind Scheiben mit der geringsten Masse die dennoch die notwendigen Restriktionen einhalten. Die Integration in das GTlab Framework ermöglicht die vollständige Automatisierung des Optimierprozesses. Dies ist zwingend notwendig um eine ausreichende Menge an synthetischen Datensätzen zu generieren die die optimalen Scheibenformen für verschiedene Eingabeparameter enthalten. Der erzeugte strukturierte und gereinigte Datensatz dient als Trainingsgrundlage für verschiedene Ersatzmodellarchitekturen. Bei einem Vergleich hinsichtlich Vorhersagegenauigkeit und Robustheit erwies sich das neuronale Netz unter Einbeziehung von Maßnahmen gegen Rauschen, wie Dropout-Schichten und angepasste Loss Funktionen, als die überlegene Lösung. Nach der Validierung wurde das Modell als Teil des strukturmechanischen Moduls mit dem GTlab Framework zur Verfügung gestellt. Die vorgestellte Methode ermöglicht die Auslegung von Verdichterscheiben nahezu in Echtzeit. Das trainierte Modell ist in der Lage, optimale Scheibendesigns basierend auf Eingabemerkmalen, hauptsächlich der Schaufelgeometrie und den herrschenden Lasten, vorherzusagen und fasst damit ein multidimensionales Optimierungsproblem in einem recheneffizienten Ersatzmodell zusammen. Eine Bewertung lässt sich anhand zweier state-of-the-art Methoden durchführen. Bei einem Vergleich mit einer schnellen Vorauslegungsmethode überzeugt die Neuentwicklung sowohl in der Gegenüberstellung der Berechnungszeit mit Millisekunden gegenüber mehreren Sekunden, als auch deutlich im Detailgrad. Die Vorauslegungsmethode eignet sich hier lediglich zur Gewichtsabschätzung. Im Vergleich mit etablierten Detailauslegungsmethoden wird ein ähnlicher Detailgrad bei gleichzeitig drastischer Reduktion der Berechnungszeit erreicht. Abschließend wird ein Ausblick gegebenen mit der Absicht die Methode zu generalisieren und zu verbessern um sie auf komplexere Fragestellungen anwenden zu können.