2022-10-01  –  2025-09-30

136.573,46 EUR

Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau - Fachbereich Maschinenbau und Verfahrenstechnik - Lehrstuhl für Strömungsmaschinen und Strömungsmechanik, Kaiserslautern, Rheinland-Pfalz

03EE5127C

Konventionelle Kraftwerkstechnik - Komponentenentwicklung [EA1312]

01248346/1  –  Verbundvorhaben: FLEXOPUMPS

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESE5)

Energie

Mittels CFD-Simulationen kann die Performance einer Kreiselpumpe (Förderhöhe, Wirkungsgrad, NPSH in Abhängigkeit des Volumenstroms) für den Auslegungspunkt und kleinen Abweichungen von ihm in der Regel gut ermittelt werden. Mit zunehmenden Abweichungen vom Auslegungspunkt nimmt die Qualität der CFD-Simulation ab, d.h. dass die Unterscheide zwischen CFD-Daten und Messergebnissen zunehmen. In diesem Teilprojekt soll mittels einer KI-Anwendung diese mangelnde Qualität der CFD-Ergebnisse für den Teil- und Überlastbereich kompensiert werden. Dazu sollen bereits vorhandene CFD-Daten und Ergebnisse von Performance-Messungen an Kreiselpumpen genutzt werden, um eine KI-Anwendung zu trainieren. Zusätzliche Ergebnisse von CFD-Simulationen und Performance-Messungen an Kreiselpumpen sollen im Projekt durchgeführt werden und fehlende Trainingsdaten geeignet ersetzen. Nach Beendigung des Trainingsprozesses soll eine KI-Anwendung zur Verfügung stehen, die es ermöglicht, auch für den extremen Teil- und Überlastbereich Kennlinien mit einer hohen Qualität zu erhalten. Die Forschungsfragen, die sich bezüglich dieser Zielsetzungen ergeben, beinhalten die Auswahl und Aufbereitung von CFD-Daten und Ergebnissen von Performance-Messungen. Im Teillastbereich nimmt die Komplexität der Strömungsphänomene erheblich zu und es können die sogenannten Kennlinienstabilitäten auftreten, die für Gliedergehäuse- und Spiralgehäusepumpen einen unterschiedlichen Charakter besitzen, was bei der KI-Anwendung berücksichtigt werden muss. Die KI-Anwendung entspricht einem Deep Learning Ansatz bestehend aus einem neuronalen Netz, dessen Topologie geeignet gewählt werden muss. Dazu gehört die Festlegung der Knoten der Eingangsschicht, die Anzahl der 'Hidden Layers' und die Anzahl der jeweiligen Knoten der 'Hidden Layers'. Die Knoten der Ausgangsschicht bestimmen die Auflösung der resultierenden Kennlinie. Die KI-Anwendung soll mit der institutseigenen Software Deep-SAM-Learning (D-SAM-L) entwickelt werden.