Regenerative Energie

Biogas

Biomasse

Erneuerbare allgemein

Energieeinsparung

Erdwärme

Grünes Geld

Klimaschutz

Kraft-Wärme-Kopplung

Meeresenergie

Mobilität

Photovoltaik

Solarthermie

Wärmepumpen

Wasserkraft

Windenergie

content-Partner

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

---