idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Mit einem selbst entwickelten, KI-unterstützten Modell hat ein interdisziplinäres Team der TU Graz neue Wege gefunden, um den Wirkungsgrad von Flugzeugtriebwerken zu erhöhen.
Mit ihrer Strategie „Flightpath 2050“ hat die Europäische Kommission einen Rahmen für die Luftfahrtindustrie vorgegeben, der auch die Reduktion der Emissionen sowie des Treibstoff- und Energieverbrauchs vorsieht. Dafür sind unter anderem effizientere Triebwerke nötig. Im Projekt ARIADNE hat ein interdisziplinäres Team an der TU Graz die Basis geschaffen, um die angestrebten Effizienzgewinne schneller als bisher zu erreichen. Dafür haben die Forschenden über Jahre gesammelte Strömungsdaten zu Turbinenübergangskanälen mit KI und Machine Learning zusammengeführt und daraus ein Modell entwickelt, mit dem sich Änderungen verschiedenster Geometrieparameter um ein Vielfaches schneller und effizienter auf ihre Auswirkungen auf den Wirkungsgrad prüfen lassen.
Übergangskanäle bieten viel Optimierungspotenzial
„Turbinen-Übergangskanäle sind ein wesentliches Bauteil von Flugtriebwerken“, sagt Projektleiter Wolfgang Sanz vom Institut für Thermische Turbomaschinen und Maschinendynamik der TU Graz. „Sie bilden den Übergang zwischen der Hochdruck- und Niederdruckturbine, die mit verschiedenen Drehzahlen laufen. Diese Übergangskanäle haben aber ein recht hohes Gewicht, darum will man sie möglichst kurz, klein und leicht bauen und dennoch hohe Wirkungsgrade erreichen. Hier ist noch recht viel Potenzial für die Optimierung vorhanden.“
Auf Basis seiner eigenen Forschung in Zusammenarbeit mit namhaften Triebwerksherstellern hat das Institut eine umfangreiche Datengrundlage aus Messdaten und Strömungssimulationen aufgebaut. Um dieses Reservoir zur Optimierung von Bauteilen und ganzen Triebwerken zu nutzen, haben Wolfgang Sanz und Dissertant Marian Staggl mit der Forschungsgruppe von Franz Wotawa am Institute of Software Engineering and Artificial Intelligence der TU Graz kooperiert. Gemeinsam verfolgten sie drei verschiedene, KI-unterstützte Ansätze.
Erfolg mit Reduced Order Model
Am erfolgreichsten erwiesen sich Reduced Order Models. Diese Modelle suchen die Gemeinsamkeiten in den Daten und nutzen zur Simulation nur die wichtigsten gemeinsamen Merkmale. Dies führt zu einer enormen Beschleunigung der Berechnungen, die um einige Zehnerpotenzen schneller ablaufen als eine komplette Strömungssimulation. Obwohl diese Modelle gewisse Genauigkeitseinbußen mit sich bringen können, ermöglichen sie durch die Verknüpfung mit der Simulation die Vorhersage von Trends und die Identifikation von Optimierungspotenzialen. Ein weiterer Vorteil des selbst entwickelten Modells war die Möglichkeit, rasch Änderungen des Wirkungsgrads zu erkennen, wenn sich ein Parameter, beispielsweise die Länge des Übergangskanals, verändert.
Im Gegensatz dazu stießen Surrogate Models an ihre Grenzen, da sie hauptsächlich auf Interpolation bestehender Daten basieren. Außerhalb des abgesicherten Messdatenbereichs wurden die Ergebnisse ungenau, da die Datenbasis zu klein war. Auch PINNs (Physics Informed Neural Networks), die versuchen, physikalische Differentialgleichungen in ein neuronales Netzwerk zu integrieren, wurden im Rahmen des Projekts untersucht. Bis zu ihrer Anwendbarkeit in der Praxis sind allerdings noch weitergehende Entwicklungen notwendig.
Erweiterung auf dreidimensionale Simulationen
Nun plant das Forschungsteam bereits die nächsten Schritte, da das Reduced Order Model die Turbinenübergangskanäle bisher lediglich zweidimensional abbildet. Die im Projekt entstandene umfangreiche Datenbank über Übergangskanäle und das Reduced Order Model werden online anderen Forschungsgruppen zur Verfügung gestellt, damit diese ebenso wie das Team an der TU Graz an einem dreidimensionalen Simulationsmodell arbeiten können. Für Wolfgang Sanz hat die Arbeit mit Machine Learning aber schon neue Zugänge eröffnet. „Aus den Ergebnissen der Machine Learning-Ansätze konnten wir Abhängigkeiten und Trends erkennen, an die wir sonst gar nie gedacht hätten.“
Wolfgang SANZ
Ao.Univ.-Prof. Dipl.-Ing. Dr.techn.
TU Graz | Institut für Thermische Turbomaschinen und Maschinendynamik
Tel.: +43 316 873 7229
wolfgang.sanz@tugraz.at
Franz WOTAWA
Univ.-Prof. Dipl.-Ing. Dr.techn.
TU Graz | Institute of Software Engineering and Artificial Intelligence
Tel.: +43 316 873 5724
wotawa@tugraz.at
https://asmedigitalcollection.asme.org/GT/proceedings-abstract/GT2025/88872/V011... Interaction Between the TVF-LPT Hub Cavity With the Mainflow
Effizienzgewinne in Flugzeugtriebwerken lassen sich nun wesentlich schneller finden.
Copyright: eunikas - Adobe Stock
Computersimulation der Strömung in einem Triebwerk.
Copyright: ITTM – TU Graz
Merkmale dieser Pressemitteilung:
Journalisten, Wirtschaftsvertreter, Wissenschaftler
Informationstechnik, Maschinenbau, Verkehr / Transport
überregional
Forschungs- / Wissenstransfer, Forschungsergebnisse
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
