Record #866090 - RWTH Publications

DFG project G:(GEPRIS)298994276

Maschinell erlernte Oberflächendynamik zur Widerstandsreduktion von turbulenten kompressiblen Profilströmungen

Coordinator	Professor Dr.-Ing. David Emory Rival ; Professor Dr.-Ing. Wolfgang Schröder
Grant period	2016 - 2025
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)298994276

Note: In diesem Nachfolgeprojekt wird eine maschinell-erlernte Oberflächendynamik (Machine Learned Surface Dynamics (MacLSD)) Methode entwickelt, um den Widerstand speziell von Tragflügelströmungen von Flugzeugen zu reduzieren. Der grundlegende dynamische Ansatz basiert auf Oberflächenwellen, die in Spannweitenrichtung transversal laufen und deren Einfluss auf eine Verringerung des Reibungswiderstands in der vorherigen Förderperiode detailliert analysiert worden ist. Aufgrund des direkten Zusammenhangs zwischen Widerstand und Brennstoffverbrauch bzw. Energiewandlung liefert dieses Projekt unabhängig vom Antriebssystem eines Flugzeugs einen wesentlichen Beitrag zum Umweltschutz. In der ersten erfolgreichen Förderperiode ist für generische subsonische turbulente Plattenströmungen anhand von Large-Eddy-Simulationen (LES) eine deutliche Widerstandsreduktion von 30% erzielt worden. Weiterhin konnte eine Netto-Energieeinsparung von ungefähr 10% erzielt werden. Diese Ergebnisse wurden ebenfalls für Plattenströmungen mit Schiebwinkel erzielt. Anhand eines neu entwickelten maschinell-erlernten Response Models wurde ein optimierter Aktuierungsparametersatz bestimmt und eine maximierte Widerstandsreduktion ausserhalb des vorher untersuchten Akuierungsparameterbereichs mit hoher Genauigkeit vorhergesagt. Darüber hinaus wurde ein cluster-basiertes Network Model (CNM) entwickelt, das ein erstes regelungsorientiertes niederdimensionales Grobstrukturmodell für die Widerstandsreduktion wandgebundener turbulenter Strömungen darstellt. In der zweiten Förderperiode wird die Untersuchung von der turbulenten Plattenströmung auf die turbulente Tragflügelströmung ausgedehnt. Mit anderen Worten, die MacLSD Methode, welche erst durch den CNM Ansatz praktisch berechenbar wird, wird zur Optimierung der Widerstandsreduktion turbulenter transonischer Tragflügelströmung verwendet. Somit wird neben dem Reibungswiderstand der Einfluss der Kompressibilität, des Druckgradienten inklusive Druckwiderstand und des Wellenwiderstands betrachtet. Die Vorgabe der Aktuierungsparameter, d.h. der Wellenlänge, der Periode und der Amplitude, werden durch das maschinell-erlernte Response Model und die anhand der mit regelungsorientierten niederdimensionalen Grobstrukturmodellen gewonnenen physikalischen Erkenntnisse optimiert. Die Vorteile der geschlossenen Regelung werden in einem cluster-basierten Netzwerk Modell untersucht. CNM optimiert die nichtlineare Regelung des Langzeitverhaltens nach Grundprinzipien linear optimaler Regelung, aber mit einem Bruchteil des erforderlichen Rechenaufwands. Die Modellhierarchie von LES, niederdimensionalen Grobstrukturmodellen und Response Models liefert ein physikalisch fundiertes Entwurfsprinzip zur Widerstandsreduktion von Tragflügelströmungen und erweitert somit die Erkenntnisse der ersten Förderphase um die Phänomene der Kompressibilität, des Druckgradienten und des Wellenwiderstands.