Inverses aerodynamisches Design von Turbinenkomponenten für Carnot-Batterien mittels Physics Informed Neural Networks verfeinert durch generatives Lernen

• Antragstellerinnen / Antragsteller: Professor Dr. Hanno Gottschalk; Professorin Dr. Francesca di Mare
• Fachliche Zuordnung: Technische Thermodynamik ; Strömungs- und Kolbenmaschinen
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 526152410

Wir entwickeln neue Simulationsmethoden auf der Basis von tiefen neuronalen Netzen, welche Berechnungszeiten im Vergleich zu traditionellen CFD erheblich verkürzen. Insbesondere verwenden wir Physics Informed Neural Networks für eine grobe Darstellung von Fluidströmungen in Turbomaschinenkomponenten für den Einsatz in Carnot-Batterien. Solche groben Lösungen werden durch konditionale Generative Adversiale Netze (GAN) verfeinert, um eine realistische Feinstruktur turbulenter Strömungen zu erzeugen. Insbesondere untersuchen wir die physikalischen und die Verallgemeinerungseigenschaften solcher auf Deep Learning basierenden Lösungen für Fluidströmungen im Hinblick auf sich ändernde Randbedingungen und Geometrie. Dies ermöglicht uns eine schnelle Bewertung von Designs unter sich stark ändernden Randbedingungen, wie sie für den Entladezyklus einer Carnot-Batterie typisch sind. Auf diese Weise stellen wir ein unschätzbares Werkzeug für das inverse Design von Turbokomponenten für Carnot-Batterien bereit.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2403: Carnot-Batterien: Inverser Entwurf vom Markt bis zum Molekül