Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

In der Welt der Luftfahrt ist der Triebwerk das Herz, aber der Kompressor ist die Lunge. Diese Komponente, ein Stapel rotierender Schaufeln in einem Metallrohr, muss Luft ansaugen, sie fest zusammenpressen und mit unglaublicher Effizienz in Richtung der Brennkammer drücken. Wenn die Luft nicht gleichmäßig strömt, kann das Triebwerk einen Strömungsabriss erleiden, an Leistung verlieren oder sogar ausfallen. Seit Jahrzehnten verlassen sich Ingenieure auf zwei Hauptwerkzeuge, um diese komplexe Strömung zu verstehen: physikalische Experimente in Windkanälen und Computersimulationen. Experimente sind genau, aber teuer und schwierig durchzuführen, wenn sie innerhalb einer rotierenden Maschine stattfinden. Computersimulationen sind günstig und flexibel, aber sie haben oft Schwierigkeiten, die chaotische, wirbelnde Turbulenz der Luft mit perfekter Präzision vorherzusagen. Die Herausforderung bestand schon immer darin, das Beste aus beiden Welten zu vereinen: die Zuverlässigkeit von realen Daten und die breite Sicht eines Computermodells, ohne ein Vermögen auszugeben oder Jahre auf Ergebnisse zu warten.

Ein Forschungsteam der Arts et Métiers in Frankreich hat einen neuen Weg entwickelt, um diese Lücke zu schließen, wobei der Fokus auf einem spezifischen Testkompressor namens CME2 liegt. Sie entwickelten ein Hybridsystem, das zuerst begrenzte experimentelle Messungen mit Computersimulationen kombiniert, um ein hochpräzises Bild des Luftstroms aufzubauen. Dann brachten sie einem Computerprogramm bei, aus diesem verbesserten Bild zu lernen, wodurch ein Werkzeug entstand, das den Fluss in Zukunft eigenständig präzise vorhersagen kann. Das Ziel war es, die Fehler standardmäßiger Computersimulationen zu beheben, damit diese die Qualität teurer Experimente erreichen können, ohne dass die Experimente bei jeder neuen Berechnung präsent sein müssen.

Die Forscher begannen mit einer einstufigen Kompressortestanlage in Lille, Frankreich. Diese Maschine lässt einen Rotor mit dreißig Schaufeln und einen stationären Satz von vierzig Schaufeln rotieren. Um zu sehen, was im Inneren geschah, verwendeten sie eine Technik namens Particle Image Velocimetry (Partikelbild-Geschwindigkeitsmessung). Bei dieser Methode wird die Luft mit winzigen Rauchpartikeln angereichert und eine Laserschicht durch die Maschine geschickt, um diese zu beleuchten. Eine Hochgeschwindigkeitskamera erfasst die Bewegung dieser Partikel, was es dem Team ermöglicht, die Geschwindigkeit der Luft an drei spezifischen Schnitten entlang der Höhe der Schaufeln abzubilden. Diese Messungen existieren jedoch nur an diesen drei dünnen Schnitten; der Rest der Maschine bleibt ein blinder Fleck.

Um die Lücken zu füllen, führten die Forscher Computersimulationen mit zwei verschiedenen Detaillierungsgraden durch. Eine Simulation war ein stetiges, vereinfachtes Modell, das schnell lief, aber einige der komplexen, sich ändernden Details der Strömung verpasste. Die andere war eine viel detailliertere, instationäre Simulation, die die wirbelnde Turbulenz erfasste, aber enorme Rechenleistung erforderte und dennoch gewisse Ungenauigkeiten aufwies. Die Forscher nutzten dann eine statistische Methode namens Datenassimilation, um diese drei Informationsquellen zu verschmelzen: die spärlichen Lasermessungen, die schnelle Simulation und die detaillierte Simulation. Dieser Prozess wirkte wie ein intelligenter Filter, der die groben Computerprognosen so korrigierte, dass sie dort, wo die echten Lasermessdaten vorlagen, mit ihnen übereinstimmten, während die Physik der Computermodelle genutzt wurde, um den Rest der Maschine auszufüllen. Das Ergebnis war eine vollständige, hochwertige Karte des Luftstroms, die weitaus genauer war als jede einzelne Quelle für sich genommen.

Mit dieser neuen, überlegenen Karte konfrontiert, sahen sich die Forscher einer neuen Herausforderung gegenüber. Der Prozess der Datenassimilation war zwar leistungsstark, erforderte aber die Anwesenheit der Lasermessungen während der Berechnung. Sie wollten ein Werkzeug, das dasselbe hochwertige Ergebnis liefern konnte, ohne jedes Mal die Lasermessdaten zu benötigen. Um dies zu erreichen, wandten sie maschinelles Lernen an. Sie trainierten ein neuronales Netz, eine Art von Computerprogramm, das darauf ausgelegt ist, Muster zu erkennen, unter Verwendung der Daten aus ihrer verbesserten Karte. Das Programm lernte, lokale Merkmale der Strömung zu betrachten, wie etwa die Geschwindigkeit der Luft und wie schnell sich diese Geschwindigkeit ändert, und sagte dann einen Korrekturterm voraus. Dieser Korrekturterm war im Wesentlichen ein mathematischer „Schub“, der den Standard-Computergleichungen hinzugefügt werden konnte, um sie dazu zu bringen, sich eher wie die reale, hochwertige Strömung zu verhalten.

Als sie diese Werkzeuge des maschinellen Lernens testeten, waren die Ergebnisse vielversprechend, offenbarten jedoch eine kritische Einschränkung. Wenn das Werkzeug mit Daten aus der Mitte der Schaufel trainiert wurde, funktionierte es in dieser Region sehr gut und reduzierte den Fehler im Vergleich zur Standard-Simulation erheblich. Wenn das mit der Mitte der Schaufel trainierte Werkzeug jedoch auf die Spitze der Schaufel angewendet wurde – oder umgekehrt –, wurden die Vorhersagen jedoch unzuverlässig. In dem komplexesten Bereich, nahe der Schaufelspitzen, wo die Luft heftig wirbelt, machte ein einzelnes Machine-Learning-Modell, das auf einen Teil der Maschine trainiert worden war, die Computersimulation sogar schlechter als zuvor. Das Modell war schlichtweg nicht in der Lage, sein Wissen auf eine so unterschiedliche physikalische Umgebung zu übertragen.

Um dies zu lösen, entwickelten die Forscher eine Strategie, die als „Mixture of Experts“ (Mischung von Experten) bekannt ist. Anstatt sich auf ein einziges allwissendes Computerprogramm zu verlassen, schufen sie ein System, das wie ein Verkehrskontrolleur agiert. Dieser Kontrolleur betrachtet den Ort innerhalb der Maschine und entscheidet, welches der drei spezialisierten Machine-Learning-Werkzeuge für diesen spezifischen Punkt am besten geeignet ist. Befindet sich die Luft nahe der Nabe, verwendet er das Werkzeug, das mit Naben-Daten trainiert wurde; befindet sie sich nahe der Spitze, wechselt er zum Werkzeug, das mit Spitzen-Daten trainiert wurde. Durch das Kombinieren dieser spezialisierten Experten konnte das System eine hohe Genauigkeit über die gesamte Maschine hinweg aufrechterhalten. Das Endergebnis war ein Modell, das den Fehler in der Computersimulation auf ein Niveau reduzierte, das sehr nah an der hochwertigen Datenassimilation-Karte lag, jedoch ohne während der Berechnung experimentelle Daten zu benötigen.

Die Studie zeigt, dass maschinelles Lernen die Computersimulationen komplexer Maschinen zwar drastisch verbessern kann, ein einzelnes Modell jedoch oft nicht ausreicht, um jede Situation zu bewältigen. Durch die Kombination der Stärken der Datenassimilation mit einem intelligenten System, das zwischen spezialisierten Lernwerkzeugen wechselt, schufen die Forscher eine robuste Methode, die die Genauigkeit selbst in den schwierigsten Regionen der Strömung bewahrt. Dieser Ansatz bietet einen Weg für die Entwicklung effizienterer und sichererer Flugtriebwerke, indem er es Ingenieuren ermöglicht, sich auf Computermodelle zu verlassen, die so vertrauenswürdig wie physische Experimente sind, aber wesentlich schneller und kostengünstiger in der Anwendung.