Ausgangspunkt / Motivation

Die Europäische Kommission verfolgt mit der Strategie „Flightpath 2050" das Ziel, die CO2-Emissionen der Luftfahrt bis 2050 um 75 % gegenüber dem Jahr 2000 zu senken. Um diese Ziele zu erreichen, muss die Effizienz von Triebwerken stark gesteigert werden.

Eine Schlüsselrolle spielt dabei der Turbinenübergangskanal, der die Aerodynamik im Triebwerk maßgeblich beeinflusst. Das Institut für thermische Turbomaschinen der TU Graz verfügt über eine exzellente Datengrundlage aus jahrelanger Forschung, die nun durch KI-Anwendungen gezielt zur Optimierung dieser Komponenten genutzt werden soll.

Ziele

• Aufbau einer umfassenden Datenbank für die Aerodynamik von Übergangskanälen aus Simulationen und Experimenten
• Entwicklung schneller KI-gestützter Strömungsvorhersagen, welche die physikalischen Gesetzmäßigkeiten der Strömungsmechanik berücksichtigen
• Erstellung von Werkzeugen zur Plausibilitätsprüfung von Messungen und Simulationen zur frühzeitigen Fehlererkennung bei Flugzeugtriebwerken
• Beschleunigung der Geometrieoptimierung durch die Kopplung von KI-Werkzeugen mit bestehenden Optimierungsprogrammen

Inhalt

Im Mittelpunkt des Projekts steht die Nutzung vorhandener Forschungsdaten zur Entwicklung neuer KI-Werkzeuge für den Triebwerksbau. Es werden Verfahren zur Datenreduktion und Mustererkennung entwickelt, um komplexe Strömungszustände in Übergangskanälen besser zu verstehen und präzise vorherzusagen.

Diese Werkzeuge sollen nicht nur die Auslegung neuer Bauteile beschleunigen, sondern auch helfen, Fehler in zukünftigen Messungen oder Computersimulationen (CFD) durch automatische Vergleiche mit der Datenbank frühzeitig zu identifizieren.

Das Projekt verbindet so klassische Maschinenbaudisziplinen mit modernster Informatik, um die technologische Wettbewerbsfähigkeit der europäischen Luftfahrtindustrie langfristig zu sichern.

Methodik/Vorgehensweise

Die methodische Basis bildet die Verknüpfung von numerischen Strömungssimulationen (CFD) und experimentellen Messdaten in einer speziell strukturierten Datenbank. Zur effizienten Datenverarbeitung werden Machine Learning und mathematische Reduktionsverfahren (POD-Methoden) eingesetzt.

Diese Methoden ermöglichen es, große Datenmengen so aufzubereiten, dass präzise Vorhersagemodelle entstehen, welche die physikalischen Erhaltungsgleichungen respektieren.

Abschließend erfolgt die Integration dieser KI-Modelle in automatisierte Optimierungsschleifen, wodurch Designänderungen am Triebwerk deutlich schneller und kostengünstiger bewertet werden können als mit herkömmlichen, extrem rechenintensiven Standardverfahren.

Ergebnis zu Projektende

• Erhebliche Beschleunigung der Optimierungszyklen, bzw. Senkung des manuellen Aufwands bei der Entwicklung neuer Triebwerkskomponenten
• Höhere Genauigkeit bei der Vorhersage aerodynamischer Verluste in frühen Designphasen
• Automatisierte Qualitätssicherung für experimentelle und numerische Datenreihen
• Ein einsatzbereites KI-Softwarepaket zur hocheffizienten aerodynamischen Auslegung von Turbinenübergangskanälen
• Wissenschaftlicher Erkenntnisgewinn über komplexe Strömungsmuster durch innovative KI-basierte Datenanalyse
• Umsetzung des Tools bzw. Abstrebung eines Nachfolgeprojekt mit Rolls-Royce und GE Aerospace

Projektkoordination

Technische Universität Graz

Projektpartner:innen

• bionic surface technologies
• ABES Pircher & Partner

Technische Universität Graz
Rechbauerstraße 12
A-8010 Graz
Tel.: +43 316 873 0
E-Mail: info@tugraz.at