Abschlussbericht zu: Innovative Turbomaschinen für nachhaltige Energiesysteme - InnoTurbinE; Arbeitspakete: 2.2a: Bestimmung von Schwingungs- und Dämpfungsvorgängen in Turbinenschaufel, 3.4: Effiziente Modellierung von Variationen in Bauteilgeometrien und Randwerten, 3.5: Effektive Berücksichtigung der Wärmebelastung durch automatisierte CHT-Berechnung

Abstract

Das Projekt konzentrierte sich auf drei Hauptbereiche: Die Bestimmung von Schwingungs- und Dämpfungsvorgängen in Turbinenschaufeln, die effiziente Modellierung von Geometrievariationen und die automatisierte Berechnung der Wärmebelastung. Bestimmung von Schwingungs- und Dämpfungsvorgängen in Turbinenschaufel: Die Entwicklung einer multidisziplinären Optimierungsprozesskette (MDO) ermöglicht die gleichzeitige Berücksichtigung von Mechanik, aerodynamischer Anregung und Dämpfung bei der Schaufelauslegung. Durch robuste Berechnungstools und validierte Schwingungsmessungen konnte die Vorhersagegenauigkeit des Schwingungsverhaltens deutlich verbessert werden. Effiziente Modellierung von Variationen in Bauteilgeometrien und Randwerten: Neue Methoden zur Modellierung von Fertigungstoleranzen und Materialabweichungen wurden entwickelt. Dabei kamen moderne Machine Learning Ansätze wie Variational Autoencoder und Graph Neural Networks zum Einsatz. Effektive Berücksichtigung der Wärmebelastung durch automatisierte CHT Berechnung: Eine automatisierte Prozesskette zur gekoppelten Berechnung von Aerodynamik, Wärmeübertragung (CHT) und Mechanik wurde implementiert. Die Validierung mit Messdaten zeigte eine hohe Vorhersagegenauigkeit von ±5% für die Temperaturverteilung. Die Automatisierung führt zu deutlich kürzeren Entwicklungszeiten bei der Schaufelauslegung. Datei-Upload durch TIB The project focused on three main areas: The determination of vibration and damping processes in turbine blades, efficient modeling of geometric variations, and automated calculation of thermal loads. Determination of vibration and damping processes in turbine blades: The development of a multidisciplinary optimization process chain (MDO) enables the simultaneous consideration of mechanics, aerodynamic excitation, and damping in blade design. Through robust calculation tools and validated vibration measurements, the prediction accuracy of vibration behavior was significantly improved. Efficient modeling of variations in component geometries and boundary conditions: New methods for modeling manufacturing tolerances and material deviations were developed. Modern machine learning approaches such as Variational Autoencoders and Graph Neural Networks were employed. Effective consideration of thermal loads through automated CHT calculation: An automated process chain for coupled calculation of aerodynamics, heat transfer (CHT), and mechanics was implemented. Validation with measurement data showed high prediction accuracy of ±5% for temperature distribution. The automation leads to significantly shorter development times in blade design.