Ziel der Entwicklung
Das Projekt zielte auf die Weiterentwicklung eines Strömungssimulationsprogramms ab, um es als effizientes Werkzeug in der industriellen Auslegung und Optimierung strömungsdurchströmter Bauteile – insbesondere Turbomaschinen und Wärmeübertrager – einzusetzen. In diesen Entwicklungsprozessen sind oft zahlreiche CFD-Simulationen erforderlich, um Kennzahlen wie Wirkungsgrad, Druckaufbau oder Leistungsbedarf zu ermitteln.
Herkömmlich erfordern Simulationen mit hoher Gitterauflösung sehr lange Rechenzeiten, sind aber für präzise Ergebnisse unverzichtbar. Grobe Gitter ermöglichen zwar schnelle Berechnungen, führen jedoch zu systematischen Abweichungen bei wichtigen Zielgrößen. Aus der Industrie kam daher der Impuls, ein Verfahren zu entwickeln, das die Rechenzeit drastisch verkürzt, ohne die Genauigkeit wesentlich zu beeinträchtigen.
Das Projekt verfolgte die Idee, systematische Fehler grober Simulationen mithilfe von Methoden des maschinellen Lernens (ML) zu erkennen und zu korrigieren. Durch die Kombination klassischer Optimierungen (z. B. Parallelisierung, GPU-Nutzung) mit KI-gestützter Fehlerkompensation sollte es möglich werden, Ergebnisse hochaufgelöster Simulationen innerhalb weniger Minuten auf handelsüblichen PCs zu reproduzieren. Damit wird CFD für zeitkritische Optimierungsaufgaben in der Produktentwicklung erheblich attraktiver und wirtschaftlicher einsetzbar.
Vorteile und Lösungen
Zur Zielerreichung wurde ein zweistufiger Lösungsansatz umgesetzt, der klassische CFD-Beschleunigungsmethoden mit KI-basierten Strategien kombiniert.
Im ersten Schritt wurden konventionelle Optimierungen integriert, darunter die Parallelisierung mit OpenMP zur Nutzung mehrerer CPU-Kerne, der Einsatz periodischer Randbedingungen zur Reduktion des Rechengebiets (z.B. Simulation nur eines Schaufelkanals bei Turbomaschinen) sowie die Implementierung von GPU-Unterstützung (Grafikkarten).
Im zweiten Schritt kamen Methoden des maschinellen Lernens (ML) zum Einsatz. Hierzu wurden zahlreiche hochaufgelöste Referenzsimulationen durchgeführt, um ein ML-Modell mit systematischen Abweichungen grober Simulationen zu trainieren. Das trainierte Modell dient als Postprozessor, der die Ergebnisse schneller, grober Simulationen automatisch so korrigiert, dass sie möglichst die Qualität feiner Simulationen erreichen.
Durch diesen Ansatz konnte die Rechenzeit von mehreren Stunden auf wenige Minuten reduziert werden. Der wirtschaftliche Vorteil liegt in einer erheblich gesteigerten Effizienz bei Auslegung und Optimierung strömungsdurchströmter Bauteile. Die entwickelten Methoden sind nicht nur auf Turbomaschinen beschränkt, sondern auch auf andere Strömungs- und Thermodynamikanwendungen übertragbar, einschließlich Raumluftströmungen oder Wärmeübertragern.
Zielgruppe und Zielmarkt
Die Zielgruppe für die im Projekt entwickelten Methoden umfasst in erster Linie Unternehmen, die Strömungssimulationen im Rahmen von Auslegung und Optimierung einsetzen, insbesondere Hersteller und Entwickler von Turbomaschinen, Wärmeübertragern und anderen strömungsdurchströmten Bauteilen. Durch die drastische Verkürzung der Rechenzeiten bei gleichbleibend hoher Genauigkeit wird der Einsatz von CFD in zeitkritischen Entwicklungsprozessen deutlich wirtschaftlicher, was kürzere Produktentwicklungszyklen und eine flexiblere Variantenuntersuchung ermöglicht. Anwender profitieren zudem davon, dass die entwickelten Verfahren ohne grundlegende Änderungen in bestehende Auslegungs- und Simulationsprozesse integriert werden können. Der Transfer der FuE-Ergebnisse erfolgt durch Implementierung in das institutseigene Programm TurboSim und dessen Bereitstellung für Industriepartner sowie über projektbasierte Forschungs- und Entwicklungskooperationen. Perspektivisch wird auch der internationale Markt adressiert, da die Anforderungen an Rechenzeitreduktion und Ressourceneffizienz in der Produktentwicklung weltweit von hoher Relevanz sind. Für die eigene Einrichtung ergeben sich wirtschaftliche Effekte durch Lizenzierung der entwickelten Softwaremodule, durch Beratungs- und Anpassungsleistungen sowie durch die Erschließung neuer Anwendungsfelder, etwa in der Gebäude- und Raumluftströmung. Erste Anwendungsbeispiele im Bereich von Turbomaschinen haben bereits gezeigt, dass die mit dem neuen Ansatz erzielten Ergebnisse den konventionellen, hochaufgelösten Simulationen in der Genauigkeit entsprechen, jedoch einen Bruchteil der bisherigen Rechenzeit erfordern.