ComDynA_SP - KI-basierte Modellreduktion und Multi-fidelity-Methoden zur Berücksichtigung aleatorischer und epistemischer Unsicherheiten für die dynamische Auslegung von Laufschaufeln
Zeitraum
2024-07-01 – 2027-06-30
Bewilligte Summe
200.814,78 EUR
Ausführende Stelle
Förderkennzeichen
03EE5180
Leistungsplansystematik
Rückverstromung von Wasserstoff und erneuerbaren Gasen/Brennstoffen - Turbinen [EA1704]
Verbundvorhaben
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESE5)
Förderprogramm
Energie
Die Auslegung von thermischen Kraftwerken, Triebwerken und ähnlichen Strukturen beruht zunehmend auf numerischen Simulationen und Optimierungen. Um zugehörige Aussagen zur Robustheit und Zuverlässigkeit der Strukturen zu ermöglichen, müssen Streuungen in Material, Geometrie und Belastungen berücksichtigt werden. Diese können reduzierbar (d.h. epistemisch) oder systemimmanent (aleatorisch) sein. Entsprechende Methoden existieren in einigen Ingenieurbereichen, sind aber aufgrund des hohen numerischen Aufwandes bisher nicht geeignet für die hier beabsichtigten Anwendungen Im Bereich thermischer Kraftwerke. Daher sollen neue Methoden aus dem Bereich der künstlichen Intelligenz (KI) entwickelt, an die Problematik angepasst und exemplarisch bewertet werden. Hier wird die Frage der Verstimmung von Triebwerkschaufeln betrachtet, d.h. inwieweit sich Streuungen auf das Schwingverhalten von Schaufeln und Sektoren auswirken und wann hier kritisches Verhalten (z.B. Resonanz) erwartet werden kann. Die Ergebnisse und Methoden sollen so abgeleitet werden, dass sie auf andere Probleme übertragen werden. Im Einzelnen sollen neue KI-Ansätze aus den Bereichen des Machine Learning, der nicht-intrusiven und Snapshot-basierten Modellreduktion, der Metamodellierung und der Multi-fidelity-Ansätze untersucht und kombiniert eingesetzt werden. Es werden zwei Testfälle betrachtet, einerseits der Schaufelansatz (Verstimmung nur an Schaufeln, Scheibe ist zyklisch) und andererseits der Sektorenansatz (Verstimmung des gesamten Sektors). Hierbei werden lineare und stationäre Modellbildungen durch transiente und nichtlineare Modellbeschreibungen ergänzt .