Integration von Schlüsseltechnologien aus Simulation und Maschinellem Lernen in die Triebwerksentwicklung; im LuFo-VI-1-Verbund "DARWIN" - "Digitaler Faden"-basierte Triebwerksentwicklung mit eingebetteter Künstlicher Intelligenz unter Verwendung hochgenauer Simulationsmethoden

Abstract

Im DLR-Teilvorhaben DARWIN wurden mit Hilfe des in mehreren Luftfahrtunternehmen genutzten HPC-Ökosystems FlowSimulator etablierte Simulationsbausteine zur numerischen Fluid- und Struktursimulation sowie zur CFD-Netzdeformation systematisch und mit dem Fokus auf Triebwerks-Simulationsfähigkeiten als Plugins in die Ende-zu-Ende HPC-parallele Framework-Umgebung integriert. Das Simulationsökosystem wurde für ausgewählte Triebwerkssimulationsszenarien evaluiert. Dabei wurden die vom DLR in Kooperation mit Airbus und der ONERA entwickelte CFD-Software CODA sowie der von Rolls-Royce Deutschland genutzte CFD-Code HYDRA als CFD-Plugins verwendet. Dank einer modularen Framework-Integration der Plugins sowie professioneller Softwareentwicklung ist es möglich, einzelne Simulationsbausteine flexibel und anwenderfreundlich zu kombinieren und das HPC-Simulations-Ökosystem FlowSimulator im Zusammenspiel mit etablierten MDAO-Frameworks für gekoppelte Triebwerksanwendungen zu verwenden. In DARWIN wurden Methoden für Fluid-Struktur-gekoppelte Triebwerkssimulationen im Frequenzbereich entwickelt, validiert und bewertet. Ferner wurden Verfahren des Maschinellen Lernens (ML) für die Daten-getriebene Triebwerksentwicklung in Verbindung mit unterschiedlichen Datensätzen untersucht und verglichen. Das ML-Verfahren Deep Gaussian Covariance Network (DGCN) wurde in Zusammenarbeit mit PI Probaligence GmbH weiterentwickelt und für ausgewählte Anwendungen im Hinblick auf die Triebwerksentwicklung evaluiert. DGCN kombiniert die Vorteile von neuronalen Netzen und Gaußprozessen, indem die freien Parameter des Gaußprozesses anhand der Trainingspunkte durch ein neuronales Netz gelernt werden. Die Methode hat das Potenzial einer hohen Approximationsgüte bei einer geringen Anzahl von Trainingsdatenpunkten. Innerhalb des DLR-Vorhabens DARWIN wurde eine GPGPU-Parallelisierung der DGCN-Methode entwickelt und prototypisch in der Surrogate-Modelling-Toolbox SMARTy für effiziente Analysen großer Systeme implementiert.