Vorhersage von stationären Strömungsfeldern mit neuronalen Netzen

Für die Auslegung, Analyse und Optimierung von Strömungsmaschinen werden numerische Strömungsfeldsimulationen (CFD) verwendet. Diese Methoden sind oftmals rechenintensiv und zeitaufwendig. Es hat sich gezeigt, dass neuronale Netze in der Lage sind, physikalische Zusammenhänge zu erlernen. In diesem Beitrag wird ein Convolutional-Neural-Network-Modell (CNN-Modell) zur Vorhersage von stationären 2-D-Strömungsfeldern vorgestellt. Der Fokus liegt dabei auf der Verarbeitungskette und der Analyse der Testergebnisse.

In einer CFD-Simulation werden physikalische Probleme durch strömungsmechanische Gleichungen beschrieben und mit numerischen Methoden approximativ gelöst. Dieses Vorgehen ist im Allgemeinen rechenintensiv und zeitaufwändig [1]. Anstatt ein System von nichtlinearen, gekoppelten, partiellen Differentialgleichungen iterativ zu lösen, ist das Ziel dieser Arbeit, ein Deep-Learning-Modell zu trainieren, welches die Lösung approximiert [2], [3]. Neuronale Netze können große Datenmengen verarbeiten und dabei Merkmale aus diesen Daten extrahieren [4]. Hier soll ein neuronales Netz Charakteristiken erlernen, die eine Strömung beschreiben, um daraus Vorhersagen für neue Fälle zu erzeugen. Damit können Strömungsfelder deutlich schneller berechnet werden. Allerdings muss hierbei geprüft werden, wie hoch der Qualitätsverlust gegenüber den CFD-Simulationen ist. Der Fokus dieser Arbeit liegt auf der Untersuchung der Testergebnisse, um diese Methodik zu evaluieren.

Als Basis für das Training wird ein möglichst umfangreicher Datensatz benötigt. Dazu wird ein generischer Datensatz aus CFD-Simulationen mittels der Open-Source-Plattform FEniCS [5] erstellt. FEniCS bietet den Vorteil eines automatisierten Prozesses von der Geometrieerstellung über das Vernetzen bis hin zur Simulation. Um die Komplexität gering zu halten, werden ausschließlich stationäre inkompressible Simulationen betrachtet. Zusätzlich sind die Simulationen auf 2-D-Fälle beschränkt.

Convolutional Neural Networks (CNN) besitzen eine starke Abstraktionsfähigkeit bei der Informationsverarbeitung von Bilddaten [4]. Allerdings werden CFD-Simulationen auf Rechennetzen mit unterschiedlichen Strukturen berechnet. Deshalb ist es notwendig, die CFD-Netze auf äquidistante Gitter zu interpolieren. Dies entspricht einem Bild, wobei die Farbkanäle die Geschwindigkeits- und Druckkomponenten enthalten. Das hier verwendete Modell wird als U-Net-Architektur bezeichnet [6]. Über Kontraktion und Expansion der Daten erlernt das U-Net Informationen über die Geometrie und Anordnung im Rechengebiet zu erkennen und daraus das Strömungsverhalten vorherzusagen.



Copyright: © Springer Vieweg | Springer Fachmedien Wiesbaden GmbH
Quelle: Wasserwirtschaft - Heft 09 (September 2019)
Seiten: 4
Preis: € 10,90
Autor: Lukas Harsch
Andreas Look
Prof. Dr.-Ing. Stefan Riedelbauch
 
 Diesen Fachartikel kaufen...
(nach Kauf erscheint Ihr Warenkorb oben links)
 Artikel weiterempfehlen
 Artikel nach Login kommentieren


Login

ASK - Unser Kooperationspartner
 
 


Unsere content-Partner
zum aktuellen Verzeichnis



Unsere 3 aktuellsten Fachartikel

carboliq® - Direktverölung gemischter Kunststoffabfälle
© Witzenhausen-Institut für Abfall, Umwelt und Energie GmbH (4/2025)
Die Forderung nach Klimaneutralität dominiert die globale Diskussion über die Zukunft der Industriegesellschaft. Damit einher geht auch die Frage, wie der Umgang mit Kunststoffen in Zukunft erfolgen wird.

Nutzungskonflikt zwischen Carbon-Capture-Anlagen und Fernwärme?
© Witzenhausen-Institut für Abfall, Umwelt und Energie GmbH (4/2025)
Die EEW Energy from Waste GmbH (EEW) hat sich das Ziel gesetzt, bis 2045 klimaneutral zu werden. Mit 17 Standorten verfügt EEW über eine Verbrennungskapazität von ca. 5 Millionen Tonnen Abfall pro Jahr.

Abfall- und Kreislaufwirtschaft in Deutschland im internationalen Vergleich - Spitzenplatz oder nur noch Mittelmaß?
© Witzenhausen-Institut für Abfall, Umwelt und Energie GmbH (4/2025)
Neben der Umstellung der künftigen Energieversorgung auf ein zu 100 % erneuerbares Energiesystem ist die Abfall- und Kreislaufwirtschaft die zweite zentrale Säule im Rahmen der globalen Transformation in eine klimaneutrale Wirtschaft und Gesellschaft.