Project without external funding

Auslegung vielstufiger Axialverdichter mit Optimierungsstrategien


Project Details
Project duration: 07/199903/2004


Abstract
Die stetige Weiterentwicklung der aerodynamischen Modelle und moderne Fertigungsverfahren haben dazu geführt, dass für den Entwurf vielstufiger, axialer Turboverdichter eine Vielzahl von geometrischen und aerodynamischen Parametern zur Verfügung steht, die in einem manuellen Auslegungsprozeß vom Menschen allein nicht mehr zielführend kontrolliert werden können. Vor diesem Hintergrund wird innerhalb des Projektes ein automatisiertes Entwurfsverfahren mit dem Ziel entwickelt, durch Kopplung von Optimierungsstrategien mit Modellen der Meridianströmung und schwingungsmechanischen Modellen der Beschaufelung eine verbesserte Optimumsuche unter Berücksichtigung aero-thermodynamischer und mechanischer Kriterien zu ermöglichen.

Als Optimierungsmethode wird eine Evolutionsstrategie eingesetzt, bei der die voneinander unabhängigen Zielfunktionsauswertungen parallelisiert sind. Die Parallelisierung erfolgt mit Hilfe der Software Parallel Virtual Machine (PVM), die die Prozessverwaltung und den Datentransfer zwischen den beteiligten Rechnern steuert. Neben einer Beschleunigung des Optimierungslaufs soll durch die Parallelisierung auch die Robustheit des Auslegungssystems erhöht werden.
Im Hinblick auf eine Integration von Mechanik und Aerodynamik ist das Verfahren von Montoya implementiert worden, so dass bei der Festlegung der Schaufelzahlen kritische Resonanzen der Gitter vermieden werden können. Die Lage der Eigenfrequenzen wird in Abhängigkeit der wesentlichen Auslegungsparameter mit Hilfe eines eindimensionalen Balkenmodells beschrieben. Die dabei berechneten Moden werden an FEM-Rechnungen kalibriert, so dass sich ein Zusammenhang zwischen den Änderungen der Resonanzfrequenzen und den geometrischen Parametern herstellen lässt.
Um die Zahl zeitaufwändiger Simulationsrechnungen innerhalb des Optimierungsprozesses zu reduzieren, werden neuronale Netze während des Optimierungslaufs generiert und durch die Ergebnisse der Strömungsrechnungen solange trainiert, bis der Zusammenhang zwischen Zielfunktion und Parametern hinreichend genau wiedergegeben wird. Im weiteren Verlauf der Optimierung sollen die Zielfunktionswerte dann zunächst durch das Netz approximiert und nur für die vielversprechendsten Parametersätze anschließend simuliert werden. Das neuronale Netz dient hier zur Vorhersage der besten Parametersätze und somit zur Verringerung der Zahl der exakten Zielfunktionsauswertungen.


Co-Investigators

Last updated on 2017-11-07 at 13:39