Entwicklung eines Autoencoders zur Dimensionsreduzierung von CFD-Druckdaten an einem Flügelprofilquerschnitt

Abstract

Hochaufgelöste CFD-Simulationen liefern detaillierte Druckverteilungen, sind jedoch für große Szenarien zu rechenintensiv. Für den Einsatz datengetriebener Surrogatmodelle werden daher kompakte, verlustarme Repräsentationen benötigt, die die wesentlichen Strukturen der Daten bewahren. Ziel dieser Arbeit ist die Aufbereitung von CFD-Druckdaten für Surrogatmodelle durch eine geeignete Dimensionsreduktion. Hierzu wird ein Autoencoder entwickelt und systematisch mit der Principal Component Analysis (PCA) verglichen. Beide Verfahren werden auf CFD-Daten des NASA Common Research Model unter unterschiedlichen Böenbedingungen angewendet. Die Bewertung erfolgt über den mittleren quadratischen Fehler (MSE) sowie über physikalische Kenngrößen (cl, cm), um die Rekonstruktionsqualität nicht nur numerisch, sondern auch physikalisch zu beurteilen. Die Ergebnisse zeigen, dass der Autoencoder insbesondere bei cl und cm deutlich geringere Fehler als die PCA erzielt und gegenüber nicht trainierten Böen robuster ist. Trotz höherem Trainingsaufwand und größerem Modellumfang ermöglicht der Autoencoder eine stärkere Kompression bei gleichzeitig höherer Genauigkeit. Damit eignet er sich besonders zur effizienten Bereitstellung komprimierter Druckdaten als Eingabe für nachgelagerte Surrogatmodelle und Reduced-Order Models.