Datengetriebene Modellierung von Turbulenz und Wärmefluss für Filmkühlungsströmungen

• Antragsteller: Professor Heng Xiao, Ph.D.
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 551388164

Das gemeinsame Forschungsteam zwischen GIST und Uni-Stuttgart vereint das Wissen über Luftfahrtaerodynamik und wissenschaftliches maschinelles Lernen, um das Forschungsziel zu erreichen. Wir streben die Entwicklung eines innovativen ML-basierten Turbulenz- und Wärmestrommodells an, das die aktuellen Simulationsfähigkeiten erheblich verbessern wird, um herausfordernde turbulente thermische Strömungen für die zukünftige Luftfahrtantriebstechnik vorherzusagen. Insbesondere konzentrieren wir uns auf die Vorhersage von Strahl-in-Querstrom in der Filmkühlung für Turbinen, die reich an Physik und ein kritisches Strömungsphänomen für effiziente Aero-Motoren sind. Das Forschungsteam vereint das Wissen über Luftfahrtaerodynamik und wissenschaftliches maschinelles Lernen (ML), um das Forschungsziel zu erreichen. Wir zielen darauf ab, ein innovatives ML-basiertes Turbulenz- und Wärmeflussmodell zu entwickeln, das die derzeitigen Simulationsfähigkeiten erheblich vorantreiben wird, um herausfordernde turbulente thermische Strömungen für zukünftige Luftfahrtantriebe vorherzusagen. Insbesondere konzentrieren wir uns auf die Vorhersage von Strahl-in-Querstrom in der Filmkühlung für Turbinen, die physikalisch reichhaltig und ein kritisches Strömungsphänomen für effiziente Aero-Motoren sind. Die vorgeschlagene Forschung wird: (1) Ein hochwertiges Datenset für das maschinelle Lernen von Turbulenz- und Wärmeflussmodellen konstruieren, (2) Ein datengesteuertes, gekoppeltes Turbulenz- und Wärmeflussmodell mit maschinellem Lernen entwickeln, (3) Das ML-basierte Modell in industriestandardmäßige Strömungslöser integrieren und (4) Modellierungs- und Designeinblicke aus dem gelernten Modell extrahieren und das Know-how an relevante Industrien übertragen. Um diese Ziele zu erreichen, werden wir Large-Eddy-Simulationen durchführen, um hochwertige Daten für eine Familie von Filmkühlungsströmungen unter verschiedenen Zuströmbedingungen zu generieren. Das Benchmark-Datenset, einschließlich vollständiger Daten zu turbulenten Spannungen und Wärmeflüssen sowie spärlicher Messungen der Kühlungseffizienz, wird verwendet, um die neuronalen Netzwerkmodelle zu trainieren. Das ML-basierte Modell für gekoppelte Turbulenz und Wärmefluss wird so konzipiert, dass es rahmeninvariant ist. Die validierten Modelle werden in weit verbreitete Open-Source-Strömungslöser integriert, um die Genauigkeit ihrer Vorhersagesimulationen für komplexe Filmkühlungsströmungen in industriellen Umgebungen zu verbessern. Das gemeinsame Projekt wird ein innovatives Turbulenzmodell entwickeln, das das Phänomen des Strahl-in-Querstroms, insbesondere die Filmkühlungsströmung in Gasturbinenmotoren, genau vorhersagen kann. Das innovative Turbulenzmodell wird (1) die Grenzen der konventionellen Modelle überwinden, (2) neuen effizienten Gestaltungsraum für Turbinenkühlmethoden eröffnen und letztendlich (3) saubere Luftfahrttechnologie mit effizienten Aero-Motoren ermöglichen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Südkorea
• Kooperationspartner: Professor Solkeun Jee, Ph.D.