office@sdil.de

0721 608-41706

nuberisim2AI: Lernen von Surrogatmodellen zur Beschleunigung akustischer Analysen

Turbulente Strömungen verursachen Lärm beim Durch- oder Umströmen von Objekten (z.B. in Rohleitungen, aber auch an Turbinen, Ventilatoren, Fahr- und Flugzeugen etc.). Um beim Geräte- und Anlagendesign Lärm von Beginn an zu minimieren, muss die Position der Lärmquellen und die Lautstärke bereits in der Entwicklung oder Vorentwicklung analysiert werden. Dafür werden aufwändige, 3-dimensionale Simulationen des zeitlichen Verlaufs von Strömung und Schall nötig. Aufwändig steht für Zeitspannen von bis zu 14 Tagen auf Hochleistungsrechnern. Ansätze der Künstlichen Intelligenz (KI) bieten die Möglichkeit, die Simulationen signifikant zu verkürzen, indem aus einer vorhandenen Zeitserie maschinell gelernt und die Zeitserie weiter in die Zukunft prognostiziert wird. Die Erweiterung der vorhandenen Zeitserie der Strömungssimulation um ca. 50% kann bis zu 75% der kombinierten Strömungs- und Akustiksimulation einsparen, so dass die Analyse auf wenige Tage reduziert werden kann.

Projektziele

Ziel des Mikroprojektes ist daher die Anwendung geeigneter KI-Strategien, um die Zeitreihe einer Strömungssimulation fortzuschreiben, und zwar mit ausreichend belastbarer Qualität, dass sich die vorhandene und die KI-basierte, fortgeschriebene Zeitreihe als Datenbasis für die Quell- und Lautstärkenanalyse des entstehenden Lärms eignen.

Hierfür nutzt die Arbeitsgruppe den KIT-Service Physical Intelligence: Kopplung von physikalischen und KI-basierten Modellen für Regression, Interpolation und Optimierung.

Nuberisim beschäftigt sich mit Strömungslärmprognose und damit einhergehend mit Anpassungen des Gerätedesigns zur Minderung des Lärms bei gleichzeitiger Beibehaltung effizienter Strömungscharakteristiken. Die KI-basierte Systematik der Zeitreihen-Fortschreibung wird es Nuberisim ermöglichen, die Strömungslärmprognose nicht nur signifikant schneller zu erstellen, sondern auch mehr geometrische Geräte-Designs zu untersuchen bzw. diese Form der Simulation effizienter im Rahmen von Designoptimierung einzusetzen. Das Projekt steht dabei vor folgenden Herausforderungen:

  • Datenqualität des KI-Trainings: Zur Sicherung der Datenqualität des KI-Trainings werden verschiedene Strategien untersucht, die umfangreichen, 3-dimensionalen Datensätze der vorhandenen Zeitreihe in geeigneter Weise zu reduzieren und dennoch genügend räumliche und zeitlich fluktuierende Information für die Fortschreibung der Zeitreihe zu behalten. Beispielsweise werden für diesen Zweck verschiedene räumliche Abschnitte oder verschiedene ebene Schnitte untersucht.
  • Fortschreibung der Zeitreihe der Strömungssimulation: Ziel ist es, aus einer vorhandenen Zeitreihe von ca. 100 einzelnen Zeitschritten mind. 20, idealerweise bis zu 40 oder 50 weitere Zeitschritte als 3-dimensionale Datensätze mit akzeptabler Fehlerrate zu prognostizieren. Bei der Prognose soll auf diejenigen räumlichen und zeitlichen Bereiche fokussiert werden, die akustisch relevant sind, d.h. auf Bereich großer Gradienten von Strömungsgrößen.
  • Untersuchung unterschiedlicher Zeitreihen-Datensätze: Für das KI-Training können unterschiedliche Ausgangsdatensätze der Zeitreihen der Durch-/Umströmung desselben Objekts untersucht werden. Es liegen Zeitreihen mit unterschiedlich großen Zeitschritten und mit unterschiedlicher räumlicher Auflösung vor. Da bei Nuberisim alle Varianten standardmäßig während derselben Simulation ermittelt werden, können sie auch beim KI-Training genutzt werden. Im Idealfall tragen sie alle zur Erhöhung der Prognosefähigkeit des KI-basierten Modells bei und mindern zusätzlich die Dauer einer Simulation nach konventioneller Vorgehensweise.
  • Transferstrategie für andere Objekte/Geräte: Die im Mikroprojekt erarbeitete KI-Systematik bei der Lärmprognose aus Strömungssimulationen heraus soll in geeigneter Weise transferierbar auf andere um-/durchströmte Objekte werden. Nuberisim steht dabei vor der Herausforderung, dass sich die Dienstleistung für Strömungslärmprognose und Designoptimierung an mehrere Branchen und Sektoren richtet, weshalb die zu simulierenden Objekte/Geräte immer wieder neu sind. Die Vorgehensweise muss also für andere Objekte leicht angepasst werden können.

 

Förderung

BMBF-Förderung Mikroprojekt, SDI-S 3. Call (Laufzeit 2024, Dauer ca. 6 Monate)

Partner

Nuberisim von Falquez, Pantle und Pritz GbR: Dr.-Ing. Iris Pantle

Karlsruher Institut für Technologie (KIT): Dr. Till Riedel, Dr. Paul Tremper und Chaofan Li

 

Neueste Services