Prognose von Scherströmungen und Widerstandsschätzung mittels KI-gestützter Methodik (SPADE-AIM)

• Antragsteller: Dr.-Ing. Gazi Hasanuzzaman
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 569383977

Schergetriebene turbulente Strömungen dominieren viele unverzichtbare, aber energieintensive ingenieurtechnische Anwendungen, bei denen energieeffiziente Strömungskontrollansätze durch Kompensation des Kraftstoffverbrauchs die Umwelt schonen können. Für inkompressible turbulente Grenzschichten (TGL) spielt der Reibungsparameter eine entscheidende Rolle, da er letztendlich die Hälfte des Gesamtenergieverbrauchs für aerodynamische Anwendungen wie subsonische Passagierflugzeuge ausmacht. Reibungsparameter stellen im Wesentlichen die Abschätzung der Wandreibung dar, die auch zur Darstellung der Turbulenzstatistik und -skalen verwendet wird. Dabei leidet die räumlich und zeitlich unzureichend aufgelöste Datenverarbeitung am meisten, wenn Daten in der Nähe der Wand fehlen. Die Particle Image Velocimetry (PIV) ist inzwischen eine erprobte Messtechnik in der Turbulenzforschung. Aber in der Regel stoßen PIV-Anwendungen jedoch stark an ihre Grenzen in den sog. "Viscous Sub-Layer (VSL)" und können die Reibungsparameter nicht auflösen. Ein großer Teil der Forschungsgemeinschaft setzt daher andere Mess- oder Auswertungstechniken in Verbindung mit PIV ein. In diesem Antrag wird ein innovativer Ansatz skizziert, der ein maschinelles Lernmodell oder Künstliche Intelligenz (KI) und experimentelle Daten kombiniert, um die Reibungsparameter vorherzusagen. Das KI Modell wird mit den PIV-Daten für das Training versorgt, um Vorhersagen von Geschwindigkeitsdaten in einer TGL-Konfiguration zu treffen. Dies umfasst auch unterschiedliche Wandrandbedingungen mit wandnormaler Ausblasung bei verschiedenen Raten. Die wandnormale Ausblasung ist eine bekannte Methode zur Widerstandsreduktion, die langanhaltende Auswirkungen stromabwärts hat. Aktuelle Erkenntnisse zeigen, dass sie auch die großskaligen Strukturen in Bezug auf ihre Energie verändern können. "Physics-Informed-Neural-Networks (PINN)" genannt, die auf dem sog. "deep neural network" basieren, haben sich als wirksam erwiesen, um die mittleren Strömungsfelder in Bezug auf Geschwindigkeitsvektoren sowie die Reynolds-Spannungen vorherzusagen. Die Modellarchitektur verwendet zwei Sätze von Punkten für überwachtes und unüberwachtes Lernen, um das Netzwerk zu trainieren. Hierbei werden die grundlegenden Gesetze wie die Navier-Stokes-Gleichungen für das unüberwachte Lernen gelöst, und ihre Residuen dienen als unüberwachte Verluste. Auf der anderen Seite bezieht sich das überwachte Lernen auf den Trainingsprozess durch Berechnung eines überwachten Verlusts für die Daten, für die Referenz-PIV-Daten verfügbar sind. Schließlich wird der Gesamtverlust als Summe dieser beiden Verluste geschätzt. Darüber hinaus wird das KI-Modell durch die Validierung direkter Messungen von Reibungsparametern und durch verschiedene Wandrandbedingungen robust gemacht.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Schweden
• Kooperationspartner: Professor Ricardo Vinuesa, Ph.D.