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 inkl. MwSt.: € 10,90
Autor: Lukas Harsch
Andreas Look
Prof. Dr.-Ing. Stefan Riedelbauch

Artikel weiterleiten In den Warenkorb legen Artikel kommentieren


Diese Fachartikel könnten Sie auch interessieren:

Betriebsübergänge von hydraulischen Strömungsmaschinen – ein neuer Versuchsstand
© Springer Vieweg | Springer Fachmedien Wiesbaden GmbH (9/2019)
Durch die Zunahme von fluktuierenden Erzeugern bei der Stromproduktion tritt die Stabilisierung des elektrischen Netzes zunehmend in das Interesse der Forschung. Die Fragestellung, inwieweit die Wasserkrafttechnologie in der Lage ist, Regelenergie in großem Maße in kürzester Zeit bereitzustellen, erfordert die Untersuchung des dynamischen Verhaltens von hydraulischen Maschinen. Für die Erforschung dieser transienten Betriebsänderungen wird ein neuer leistungsstarker und hoch flexibler Versuchsstand im Laboratorium des Institutes für Strömungsmechanik und Hydraulische Strömungsmaschinen an der Universität Stuttgart aufgebaut.

Analytik kurzkettiger PFAS und deren technische Entfernung durch Ionenaustausch
© wvgw Wirtschafts- und Verlagsgesellschaft Gas und Wasser mbH (5/2018)
Spätestens seit dem Bekanntwerden der beiden Umweltskandale um verunreinigte landwirtschaftliche Flächen mit per- und polyfluorierten Alkylverbindungen (PFAS) in Nordrhein-Westfalen 2006 und in Mittel- und Nordbaden 2013 ist dieses Thema auch bei Wasserversorgern, Behörden und in der Bevölkerung angekommen.

Hochaufgelöste numerische Simulation des Transportbeginns einzelner Sedimentkörner
© Springer Vieweg | Springer Fachmedien Wiesbaden GmbH (6/2017)
Der folgende Beitrag befasst sich mit der numerischen Simulation des Transportbeginns einzelner Sedimentkörner.

Neuer Ansatz zum Risikomanagement für Talsperren-Einzugsgebiete – Teil 2
© wvgw Wirtschafts- und Verlagsgesellschaft Gas und Wasser mbH (7/2016)
Trinkwasser-Talsperren sind möglichen unmittelbaren Beeinträchtigungen der Wasserbeschaffenheit besonders ausgesetzt, da gefährdende Stoffe und Mikroorganismen oft rasch und weitgehend ungefiltert in den Talsperrenkörper gelangen können. Dem systematischen Umgang mit Risiken im Einzugsgebiet kommt daher eine wesentliche Rolle bei der Gewährleistung der Versorgungssicherheit zu. Im ersten Teil des Beitrags (erschienen in Ausgabe 5/2016 der „DVGW energie | wasser-praxis“) wurde ein neuer methodischer Ansatz zur standortbezogenen Risikoabschätzung für Einzugsgebiete von Trinkwassertalsperren unter Einsatz eines Geografischen Informationssystems vorgestellt. Der vorliegende Teil 2 berichtet über die Ergebnisse eines ersten Praxistests der Methodik.

Planning and Design of Kemah Arch Dam in a Very Strong Seismic Region
© Springer Vieweg | Springer Fachmedien Wiesbaden GmbH (6/2016)
The Kemah arch dam is situated in Turkey close to the Eurasian Seismic Zone, where the peak ground acceleration of a 2 500-year earthquake reaches to a value of 0.70g. In this paper, the planning and design of the arch dam are reported besides presentation of main features of the project. Based on the results of geological and geotechnical investigation including the karstic foundation, shape of the arch dam was optimized using the time-history approach to cope with the extraordinary seismic loading, and the stresses in the arch dam and foundation were analysed in each time step. Based on the determined tensile and compressive stresses, the required concrete classes were accordingly defined.

Name:

Passwort:

 Angemeldet bleiben

Passwort vergessen?