TU Graz onthult optimalisatiepotentieel voor vliegtuigmotoren

Met behulp van een intern ontwikkeld AI-ondersteund model heeft een interdisciplinair team van de TU Graz gezocht naar nieuwe methoden om de efficiëntie van vliegtuigmotoren te verbeteren. ‘De tussenliggende turbinekanalen bieden veel potentieel.’

Met haar Flightpath 2050-strategie heeft de Europese Commissie een kader voor de luchtvaartindustrie geschetst dat gericht is op het verminderen van emissies en het brandstof- en energieverbruik. Dit vereist onder andere efficiëntere motoren.

In het Ariadne-project heeft een interdisciplinair team van de TU Graz een manier gezocht om de gewenste efficiëntiewinst sneller te behalen. Hiervoor hebben de onderzoekers jarenlange stromingsgegevens van tussenliggende turbinekanalen gecombineerd met AI en machine learning en een model ontwikkeld dat de impact van veranderingen in een breed scala aan geometrische parameters op de efficiëntie veel sneller en efficiënter test.

“Tussenliggende turbinekanalen zijn een essentieel onderdeel van vliegtuigmotoren”, aldus projectmanager Wolfgang Sanz. “Ze geleiden de stroming tussen de hogedruk- en lagedrukturbines, die op verschillende snelheden draaien. Deze tussenliggende kanalen zijn echter vrij zwaar, daarom moeten ze zo kort, klein en licht mogelijk zijn en toch een hoge efficiëntie bereiken. Hier is nog veel potentieel voor optimalisatie.”

Op basis van eigen onderzoek in samenwerking met gerenommeerde fabrikanten van vliegtuigmotoren heeft het instituut een uitgebreide database met meetgegevens en stromingssimulaties opgebouwd. Om deze bron aan informatie te benutten voor de optimalisatie van componenten en complete motoren, werkte het Instituut voor Thermische Turbomachines en Machinedynamica van de TU Graz samen met het Instituut voor Software Engineering en Kunstmatige Intelligentie en twee bedrijfspartners. Samen hebben ze drie verschillende AI-ondersteunde benaderingen toegepast.

Reduced order models

Reduced order models leken het meest succesvol. Deze modellen zoeken naar overeenkomsten in de data en gebruiken alleen de meest significante gemeenschappelijke kenmerken voor de simulatie. Dit leidt tot een enorme versnelling van de berekeningen, die vele ordes van grootte sneller verlopen dan een volledige stromingssimulatie. Hoewel deze modellen een zeker verlies aan nauwkeurigheid met zich mee kunnen brengen, maken ze het mogelijk om trends te voorspellen en optimalisatiemogelijkheden te identificeren door ze te koppelen aan de simulatie. Een ander voordeel van het onafhankelijk ontwikkelde model was de mogelijkheid om snel veranderingen in efficiëntie te herkennen wanneer een parameter, zoals de lengte van het overgangskanaal, verandert.

Surrogaatmodellen hadden daarentegen bepaalde beperkingen, omdat ze voornamelijk gebaseerd zijn op interpolatie van bestaande data. Buiten het gevalideerde stromingsdatabereik waren de resultaten onnauwkeurig omdat de database te klein was. PINN’s (Physics Informed Neural Networks), die fysische differentiaalvergelijkingen in een neuraal netwerk proberen te integreren, werden ook onderzocht in het kader van het project. Er zijn echter nog verdere ontwikkelingen nodig voordat ze in de praktijk kunnen worden gebruikt.

Uitbreiding naar 3D-simulaties

Het onderzoeksteam is al bezig met het plannen van de volgende stappen, aangezien het gereduceerde-ordemodel tot nu toe alleen de tussenliggende turbinekanalen in twee dimensies heeft gemodelleerd. De uitgebreide database met turbinekanalen en het gereduceerde-ordemodel dat in het project is ontwikkeld, zullen online beschikbaar worden gesteld aan andere onderzoeksgroepen, zodat zij kunnen werken aan een driedimensionaal simulatiemodel dat vergelijkbaar is met dat van het team van de TU Graz. Voor Wolfgang Sanz heeft het werken met machine learning echter al nieuwe mogelijkheden geopend. “Door de resultaten van de machine learning-benaderingen konden we afhankelijkheden en trends herkennen waar we anders nooit aan zouden hebben gedacht.”