Entwicklung einer Echtzeitbewertung des Hochtemperatur-Deformationsverhaltens von Komponenten thermischer Maschinen und Anlagen mittels Machine-Learning

Abstract

In diesem Bericht wird das Verbundvorhaben 3D-ML-CREEP vorgestellt, das durch das Bundesministerium für Wirtschaft und Klimaschutz gefördert wurde. Ziel des Vorhabens war die Entwicklung eines Echtzeitbewertungssystems für das Hochtemperatur-Deformationsverhalten von Komponenten thermischer Maschinen unter Einsatz von Machine Learning (ML). Die IfW TU Darmstadt und Siemens Energy waren die Hauptakteure des Projekts. In der Studie wurden verschiedene Ansätze des maschinellen Lernens untersucht, um Kriechverformungen vorherzusagen. Dazu gehörte die Erstellung eines Prototyps für ein ML-basiertes Kriechmodell, die Entwicklung eines viskoplastischen Werkstoffmodells namens Kora und die Ausführung von Finite-Elemente-Analysen (FEA) zur Generierung von Trainingsdaten. Das ML-basierte Kriechmodell wurde erfolgreich entwickelt und trainiert. Es konnte zeigen, dass es das Kriechverhalten von Turbinenschaufeln gut abbilden kann. Die FE-Simulationen wurden automatisiert, um unterschiedliche Betriebsbedingungen zu simulieren, und lieferten Hunderte von Datensätzen für das Training des ML-Modells. Darüber hinaus wurden Studien durchgeführt, um die Auswirkungen von Temperaturfluktuationen und Fertigungsungenauigkeiten auf das Kriechverhalten zu untersuchen. Es wurde festgestellt, dass ML-Modelle eine vielversprechende Methode zur Beschleunigung der Kriechanalyse bieten und die Berechnungszeiten von Tagen auf Minuten reduzieren können. Abschließend wurde die Anwendbarkeit des ML-Modells für die Industrie diskutiert, mit dem Ziel, die Effizienz und Reaktionsschnelligkeit von Gasturbinen zu verbessern. Das Projekt zeigte, dass maschinelles Lernen das Potenzial hat, herkömmliche numerische Verfahren zu ergänzen oder zu ersetzen und die Innovation im Bereich der Energieerzeugung voranzutreiben. Datei-Upload durch TIB The report presents the collaborative project 3D-ML-CREEP, funded by the German Federal Ministry for Economic Affairs and Climate Action. The project aimed to develop a real-time assessment system for the high-temperature deformation behavior of components in thermal machines using Machine Learning (ML). The main participants in the project were IfW TU Darmstadt and Siemens Energy. The study explored various ML approaches to predict creep deformations. This included creating a prototype ML-based creep model, developing a viscoplastic material model called Kora, and conducting Finite Element Analysis (FEA) to generate training data. The ML-based creep model was successfully developed and trained, demonstrating its ability to accurately represent the creep behavior of turbine blades. The FEA simulations were automated to simulate different operating conditions, providing hundreds of datasets for ML model training. Furthermore, studies were conducted to examine the effects of temperature fluctuations and manufacturing inaccuracies on creep behavior. It was found that ML models are a promising method to accelerate creep analysis and reduce computation times from days to minutes. In conclusion, the application of the ML model for industrial use was discussed, aiming to improve the efficiency and responsiveness of gas turbines. The project showed that machine learning has the potential to complement or replace traditional numerical methods and drive innovation in the field of energy production.