Topology optimization of passively moving rigid bodies in unsteady flows

Dieses Papier schlägt eine Topologieoptimierungsmethode für das Design passiv beweglicher starrer Körper in instationären Fluidströmungen vor, indem es die Starrkörperdynamik mit kinetischen Gitternetz-Fluidgleichungen koppelt und eine adjungierte Sensitivitätsanalyse anwendet, um Formen für Translations- und Rotationsbewegungen zu optimieren.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, das perfekte Segel für ein Boot oder den perfekten Rotor für eine Windkraftanlage zu entwerfen. Normalt beginnen Ingenieure mit einer Form, setzen sie dem Wind aus, sehen, wie sie sich bewegt, passen die Form an und versuchen es erneut. Dieses Paper stellt eine superintelligente, automatisierte Methode vor, um dies zu erreichen, aber mit einem Clou: Anstatt dass die Form einfach nur da liegt, während der Wind darüber weht, darf sich die Form auch bewegen, weil der Wind sie anschiebt.

Hier ist eine Aufschlüsselung, wie diese „Magie“ funktioniert, unter Verwendung einfacher Analogien:

1. Die große Idee: Der „passive“ Tänzer

Die meisten Computerprogramme, die Formen entwerfen, gehen davon aus, dass das Objekt am Boden festklebt (wie eine Brücke oder ein stationäres Rohr). Wenn Sie ein bewegliches Teil entwerfen wollen, wie etwa einen Lüfterflügel, sagen Sie dem Computer normalerweise: „Drehen Sie diesen Flügel mit 100 Umdrehungen pro Minute“, und der Computer berechnet dann den Luftstrom.

Dieses Paper dreht das Skript um. Es behandelt das Objekt wie einen Tänzer auf einer Tanzfläche.

• Der alte Weg (Aktiv): Sie sagen dem Tänzer genau, wie er sich bewegen soll, und beobachten, wie die Luft um ihn herum strömt.
• Der neue Weg (Passiv): Sie sagen dem Tänzer nicht, wie er sich bewegen soll. Sie stellen lediglich die Musik (den Wind) ein und bitten den Computer, den Körper des Tänzers so zu entwerfen, dass die Musik ihn natürlich dazu bringt, so weit wie möglich zu rotieren oder zu gleiten. Die Bewegung des Tänzers ist ein Ergebnis des Windes, nicht ein Befehl.

2. Der Zwei-Gitter-Trick: Die Karte vs. das Gelände

Um dies zum Laufen zu bringen, verwendet der Computer einen cleveren Trick namens „getrennte Gitter“ (separated grids). Stellen Sie sich vor, Sie zeichnen eine Karte einer beweglichen Insel auf ein Stück Karopapier.

• Das Design-Gitter (Die Karte): Hier wird die Form gezeichnet. Es ist wie ein Skizzenblock. Der Computer entscheidet hier, wo das „feste“ Material (die Insel) und der „leere“ Raum (das Wasser) sind.
• Das Analyse-Gitter (Das Gelände): Hier findet die Physik statt. Es ist ein festes Gitter aus Wasser und Wind.

In jedem winzigen Bruchteil einer Sekunde bewegt und rotiert die „Karte“ (die Form) sich physisch. Dann projiziert der Computer diese bewegte Karte auf das feste „Gelände“-Gitter, um zu berechnen, wie der Wind dagegen drückt. Nachdem der Wind gedrückt hat, berechnet der Computer, wie sich das Objekt als Nächstes bewegen muss, aktualisiert die „Karte“ und wiederholt den Zyklus. Es ist, als würde man ein Foto eines bewegten Objekts machen, die Windkraft berechnen, das Objekt bewegen und dann sofort das nächste Foto machen.

3. Die „Geisterkraft“ (Brinkman-Kraft)

Woher weiß der Computer, wo sich das feste Objekt befindet? Er verwendet ein Konzept namens Brinkman-Kraft.
Stellen Sie sich den Designbereich wie einen Raum vor, der mit unsichtbarem, klebrigem Honig gefüllt ist.

• Wo sich festes Material befindet, ist der Honig super dick und klebrig. Der Wind kann nicht hindurchfließen; er drückt nur gegen die Oberfläche.
• Wo leerer Raum ist, ist der Honig dünn oder gar nicht vorhanden, sodass der Wind frei strömen kann.
  Der Computer muss keine harte Linie zeichnen; er passt einfach die „Klebrigkeit“ des Honigs an jedem Punkt an. Wenn die Klebrigkeit hoch ist, ist es eine Wand; wenn sie niedrig ist, ist es Luft. Dies ermöglicht es der Form, nahtlos von einer Gestalt in eine andere zu morphen.

4. Die „Zeitreise-Mathematik“ (Adjoint-Methode)

Um die perfekte Form zu finden, muss der Computer wissen: „Wenn ich diesen winzigen Punkt aus Material hier ändere, wie viel besser wird sich das Objekt dann bewegen?“
Die Berechnung für jeden einzelnen Punkt würde ewig dauern. Deshalb verwenden die Autoren eine Methode namens Adjoint-Variable-Methode.

• Die Analogie: Stellen Sie sich vor, Sie versuchen im Dunkeln den besten Weg auf einen Berg hinaufzufinden. Anstatt jeden möglichen Pfad vorwärts zu gehen, um zu sehen, welcher der beste ist, leuchten Sie mit einer Taschenlampe rückwärts vom Gipfel aus. Das Licht zeigt Ihnen genau, welche Schritte am effizientesten bergauf führen.
• In diesem Paper läuft die „Taschenlampe“ rückwärts durch die Zeit und berechnet, wie die Windkräfte und die Bewegung des Objekts auf jede winzige Änderung der Form reagiert hätten. Dies liefert dem Computer eine „Sensitivitätskarte“, die ihm genau sagt, wo er Material hinzufügen oder entfernen muss, um das beste Ergebnis zu erzielen.

5. Die Ergebnisse: Was haben sie gebaut?

Das Team testete dies in drei Szenarien:

1. Das 2D-Segel: Sie entwarfen eine Form, die erst stillsteht und dann vom Wind dazu gebracht wird, horizontal zu gleiten. Das Ergebnis sah aus wie ein gekrümmter Flugel (Airfoil). Der Wind drückte stärker auf die Oberseite als auf die Unterseite, was einen Auftrieb erzeugte, der das Objekt vorwärts zog.
2. Die 2D-Turbine: Sie entwarfen eine Form, die rotiert. Das Ergebnis sah aus wie ein vierblättriger Propeller. Der Wind traf auf die gekrümmten Blätter und erzeugte eine Drehung, die das Objekt rotieren ließ.
3. Die 3D-Turbine: Sie machten dasselbe in 3D. Das Ergebnis sah aus wie eine reale Windkraftanlage.

6. Das „Graustufen“-Problem

In diesen Computerdesigns sind die Kanten der Formen nicht immer perfekt scharfe Schwarz-Weiß-Linien. Manchmal sind sie „Graustufen“ – ein bisschen von beidem (fest und Luft).

• In den 2D-Beispielen fanden die Autoren heraus, dass selbst wenn sie die Form perfekt scharf (Schwarz-Weiß) machten, die Leistung fast identisch war. Die „unscharfen“ Kanten beeinträchtigten das Ergebnis kaum.
• Im 3D-Beispiel waren die „unscharfen“ Kanten wichtiger. Da das Computergitter etwas „grobkörnig“ (geringe Auflösung) war, veränderte die Unschärfe der Kanten, wie der Wind auf die Blätter traf. Dies deutet darauf darauf hin, dass wir für komplexe 3D-Formen eine feinere „Karte“ benötigen, um ein perfektes Ergebnis zu erzielen.

Zusammenfassung

Dieses Paper präsentiert eine neue Art, bewegliche Maschinen (wie Segel oder Turbinen) zu entwerfen, bei denen der Computer sowohl die Form als auch die Bewegung gleichzeitig ermittelt. Es behandelt das Objekt wie einen passiven Tänzer, der vom Wind geschoben wird, nutzt einen „klebrigen Honig“-Trick, um die Form zu definieren, und nutzt eine mathematische Simulation, die rückwärts durch die Zeit läuft, um die effizienteste Form zu finden. Das Ergebnis sind Formen, die natürlich wie Flügel und Propeller aussehen und darauf optimiert sind, unter dem Einfluss von Fluidkräften so weit wie möglich zu gleiten oder so schnell wie möglich zu rotieren.

Technische Zusammenfassung

Technische Zusammenfassung: Topologieoptimierung passiv bewegter starrer Körper in instationären Strömungen

Problemstellung
Diese Studie befasst sich mit der Topologieoptimierung starrer Körper, die durch strömungsinduzierte Kräfte angetrieben werden, wie etwa Segel oder Turbinen. Im Gegensatz zur herkömmlichen Topologieoptimierung in der Fluiddynamik, bei der die Starrkörperbewegung vorgegeben ist (aktiv) oder bei der Teilchen in einer einseitig gekoppelten Kopplung verfolgt werden, die die Strömung nicht beeinflussen, konzentriert sich diese Arbeit auf ein zweiweggekoppeltes System. Hierbei ist die Bewegung des starren Körpers passiv, was bedeutet, dass seine Trajektorie und Rotation vollständig durch die auf ihn wirkenden Fluidkräfte bestimmt werden. Die zentrale Herausforderung besteht darin, die instationären Fluidströmungsgleichungen gleichzeitig mit den Bewegungsgleichungen des starren Körpers zu lösen, wobei die Fluidkräfte als Eingänge für die Bewegungsgleichungen dienen und die Position des Körpers als Randbedingung für das Fluid fungiert.

Methodik
Der vorgeschlagene Rahmen integriert mehrere numerische Techniken, um die komplexe Wechselwirkung zwischen dem bewegten Festkörper und der instationären Strömung zu handhaben:

• Grunderzeugende Gleichungen: Die Fluidströmung wird mittels der inkompressiblen Navier-Stokes-Gleichungen modelliert, die über das Lattice Kinetic Scheme (LKS) gelöst werden – eine erweiterte Version der Lattice-Boltzmann-Methode (LBM), die für instationäre Strömungen geeignet ist. Die Starrkörperdynamik wird durch die Newton-Euler-Gleichungen beschrieben, wobei die Kräfte und Drehmomente als Reaktion der Brinkman-Kraft innerhalb des Fluid-Domains berechnet werden.
• Getrennte Design- und Analyse-Gitter: Eine Kernkomponente der Methodik ist die Trennung des Design-Gitters (auf dem die Form definiert wird) vom Analyse-Gitter (auf dem die Fluid-Zustandsvariablen berechnet werden). Das Design-Gitter erfährt in jedem Zeitschritt eine Starrkörperbewegung und wird mittels einer Gewichtungsfunktion auf das Analyse-Gitter abgebildet. Dies ermöglicht die direkte Darstellung der Starrkörperbewegung ohne eine Remeshing des Fluid-Domains.
• Adjoint-Sensitivitätsanalyse: Zur effizienten Berechnung der Design-Sensitivitäten verwendet die Studie das Adjoint Lattice Kinetic Scheme (ALKS). Die Autoren leiten kontinuierliche Adjoint-Gleichungen her, die die Fluid-Gleichungen mit den Bewegungsgleichungen des starren Körpers koppeln. Diese Formulierung behandelt die Starrkörper-Bewegungsvariablen (Position, Geschwindigkeit, Rotationswinkel und Winkelgeschwindigkeit) als zusätzliche Zustandsfelder innerhalb des Adjoint-Systems.
• Optimierungsalgorithmus: Die Form wird mithilfe der Method of Moving Asymptotes (MMA) aktualisiert. Um herstellbare, binärähnliche Designs zu gewährleisten, wird ein Dichtefilter mit Heaviside-Projektion verwendet. Ein Kontinuitätsschema wird auf den Konvexitätsparameter und den Steilheitsparameter der Projektion angewendet, um die Optimierung von einem diffusen Ausgangszustand zu einer klaren Feststoff-Fluid-Verteilung zu führen.
• Periodische Approximation: Für Probleme, die zyklische Bewegungen beinhalten (z. B. Turbinen), wird eine periodische Problemapproximation angewandt. Die Anfangswerte für die Zustands- und Adjoint-Felder zu Beginn einer Optimierungsiteration werden auf die Endwerte der vorherigen Iteration gesetzt, was die Rechenkosten senkt, da die Simulation von transienten Anlaufphasen für jede Iteration vermieden wird.

Wesentliche Beiträge

1. Passiv-Bewegungs-Formulierung: Die Arbeit präsentiert einen neuartigen Topologieoptimierungsrahmen, der speziell für starre Körper entwickelt wurde, die durch Fluidkräfte angetrieben werden, und grenzt sich damit von aktiver Bewegung oder einseitiger Kopplung bei der Teilchenverfolgung ab.
2. Gekoppelte Adjoint-Ableitung: Sie liefert eine rigorose Herleitung der Adjoint-G Gleichungen und Design-Sensitivitäten, die die Fluiddynamik vollständig mit den Bewegungsgleichungen des starren Körpers koppeln, indem sie die kinematischen Variablen des Körpers als Zustandsfelder behandeln.
3. Implementierung der Gittertrennung: Die Studie demonstriert die Effektivität des Gitterseparationsansatzes für instationäre, bewegte Starrkörperprobleme und erleichtert den Transfer von Größen wie dem Brinkman-Koeffizienten und der Festkörpergeschwindigkeit zwischen bewegten und stationären Gittern.
4. Numerische Validierung: Die Methode wird gegen Finite-Differenzen-Approximationen sowohl für translatorische als auch für rotatorische Fälle verifiziert, was die Genauigkeit der abgeleiteten Sensitivitäten bestätigt.

Ergebnisse
Die Methode wurde auf drei numerische Beispiele angewendet:

• 2D-Segel: Die Optimierung maximierte die horizontale Verschiebung eines starren Körpers. Die resultierende Form ähnelte einem Tragflügelprofil, das Auftriebskräfte erzeugt, um den Körper vorwärts zu treiben. Die optimierte Form übertraf die Referenzform mit einer flachen Oberseite signifikant.
• 2D-Turbine: Das Ziel war die Maximierung des Rotationswinkels. Durch Anwendung einer zyklischen periodischen Bedingung erzeugte die Optimierung eine Form mit vier tragflügelähnlichen Blättern, die unter Fluidkräften effektiv rotierten. Die Ergebnisse zeigten, dass das Vorhandensein von Graustufenbereichen in der optimierten Form bei der Binarisierung einen vernachachlässigbaren Effekt auf die Leistung hatte.
• 3D-Turbine: Eine dreidimensionale rotierende Form wurde optimiert, was eine turbinenartige Struktur ergab. Aufgrund von Rechenbeschränkungen, die zu einer gröberen Netzauflösung führten, zeigten die binarisierte Version jedoch nicht vernachlässigbare Unterschiede in Phase und Periode im Vergleich zur optimierten Form, was die Sensitivität von 3D-Dünnstrukturen gegenüber der Netzauflösung verdeutlicht.

Bedeutung und Behauptungen
Die Autoren behaupten, dass die vorgeschlagene Methode effektiv die Formen von Geräten wie Segeln und Turbinen optimiert, bei denen die Leistung durch die Wechselwirkung zwischen Fluidkräften und Starrkörperbewegung bestimmt wird. Die Studie zeigt, dass eine instationäre Analyse für solche Probleme notwendig ist, da sich der effektive Anstellwinkel und die Kräfte mit der Bewegung des Körpers dynamisch ändern.

Das Paper merkt bescheiden an, dass die Methode zwar effektiv ist, aber Einschränkungen bestehen, insbesondere in dreidimensionalen Fällen, in denen Beschränkungen der Netzauflösung zu Diskrepanzen zwischen optimierten und binarisierten Formen führen können. Die Autoren schlagen vor, dass zukünftige Arbeiten auf die Verbesserung der Netzauflösung (z. B. durch adaptive Methoden) und die Erweiterung des Rahmens auf turbulente Strömungen fokussieren sollten. Die Studie kommt zu dem Schluss, dass der vorgeschlagene gekoppelte Topologieoptimierungsansatz ein robustes Werkzeug für das Design fluiddrückter beweglicher Komponenten darstellt und Einblicungen in die physikalischen Mechanismen der Auftriebs- und Widerstandserzeugung in instationären Regimen bietet.