MELODI: Machine-Learning-gestützte Analyse der Abhängigkeiten der Fanlärmquellen von aerodynamischen Einlaufstörungen; Teilvorhaben: Entwicklung grundlegender maschineller Lernverfahren zur Erkennung kausaler Zusammenhänge von Einlauf-Fan-Interaktionen

Abstract

Das Vorhaben leistete einen Beitrag zu den förderpolitischen Zielen im Bereich umweltfreundlicher Luftfahrt und Künstlicher Intelligenz. Im Mittelpunkt stand die datenbasierte Untersuchung von Zusammenhängen zwischen aerodynamischen Einlaufstörungen und akustischen Größen an einer Fan-Stufe. Dadurch wurden methodische Grundlagen geschaffen, um komplexe aeroakustische Messdaten mit Verfahren des maschinellen Lernens, der erklärbaren Modellierung und der datenbasierten Kausalitätsanalyse auszuwerten. Die Ergebnisse unterstützen das übergeordnete Ziel, aeroakustische Prozesse besser zu verstehen und langfristig effizientere Entwicklungs- und Bewertungsmethoden für lärmarme Luftfahrtanwendungen bereitzustellen. Insbesondere wurden zwei komplementäre Analysepfade umgesetzt: eine regressionsbasierte Analyse auf aufbereiteten Messdaten sowie eine Transferentropie-basierte Analyse auf synchronisierten Rohzeitreihen. Damit konnte gezeigt werden, dass moderne Machine-Learning-Verfahren einen sinnvollen Beitrag zur Auswertung komplexer aeroakustischer Daten leisten können.