Physics-based Approximation and Prediction of Speedlines in Compressor Performance Maps

Dit artikel presenteert een op natuurkunde gebaseerde methode om compressorprestatiekaarten te reconstrueren uit schaarse metingen door snelheidslijnen te modelleren met superellipsen en een robuust tweestaps-fittingproces te gebruiken voor betrouwbare interpolatie en extrapolatie.

De kern

Samenvatting: Het "Wiskundige Schetsen" van Turbo-compressoren

Stel je voor dat je een zeer complexe machine hebt, een turbo-compressor voor een vrachtwagen of een vliegtuig. Deze machine zuigt lucht aan en comprimeert die om kracht te genereren. Om te weten hoe goed deze machine werkt, moeten ingenieurs een soort "landkaart" maken, een prestatiekaart. Op deze kaart zie je precies hoe de machine zich gedraagt bij verschillende snelheden en drukken.

Het probleem? Het maken van deze kaart is extreem duur en tijdrovend. Je moet de machine op een testbank zetten en duizenden metingen doen. Vaak heb je alleen maar een paar "strepen" op de kaart (de zogenaamde speedlines), maar niet de hele kaart.

In dit rapport van de TH Köln (een hogeschool in Keulen) vertellen onderzoekers hoe ze een slimme, fysiek gebaseerde methode hebben ontwikkeld om die ontbrekende strepen te voorspellen, zonder dat ze duizenden extra metingen hoeven te doen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Super-ovale" Schets (Het Tekenen)

Stel je voor dat je een snelheidsstreep op de kaart moet tekenen. In plaats van elke meetpuntje apart te bekijken, zeggen de onderzoekers: "Laten we deze lijn benaderen met een speciaal soort ovaal, een 'super-ellips'."

• De Analogie: Denk aan een eierdoos. Als je een ei in de doos legt, past het precies. De onderzoekers gebruiken een wiskundige formule (de super-ellips) die precies past over de vorm van de snelheidslijn.
• De "ID-kaart": Ze hoeven niet de hele lijn op te slaan. Ze halen er een paar belangrijke kenmerken uit, zoals:
  • Waar begint de lijn? (De "surge" - alsof de motor gaat stikken).
  • Waar stopt de lijn? (De "choke" - alsof de luchtstroom verstopt raakt).
  • Hoe krom is de lijn?
  • Ze noemen dit een β-vector. Het is alsof ze de hele lijn samenvatten in één klein, handzaam ID-kaartje met 5 getallen.

2. Het Voorspellen (De "Reis" van de ID-kaartjes)

Nu hebben ze ID-kaartjes voor de snelheden die ze wel hebben gemeten (bijvoorbeeld 300, 400 en 500 toeren). Ze willen weten hoe de lijn eruitziet bij 450 toeren (tussenin) of 600 toeren (buiten de meetreeks).

• Interpolatie (Tussenin): Dit werkt fantastisch. Het is alsof je een reeks foto's hebt van een bal die van links naar rechts beweegt. Als je de foto's van 300 en 400 toeren hebt, kun je heel nauwkeurig voorspellen waar de bal is op 350 toeren. De wiskunde tekent een soepele lijn tussen de ID-kaartjes.
• Extrapolatie (Buiten de meetreeks): Hier wordt het lastig. Als je probeert te voorspellen wat er gebeurt bij 100 toeren (veel lager dan je ooit hebt gemeten), faalt de methode vaak.
  • De Analogie: Het is alsof je een auto hebt die je alleen hebt gereden op de snelweg (hoge snelheid). Als je probeert te voorspellen hoe hij rijdt in een modderig veld (zeer lage snelheid), werkt je snelweg-ervaring niet meer. De wiskundige lijn die ze gebruiken, blijft "soepel" doorgaan, maar in de echte wereld verandert de fysica van de motor drastisch bij lage snelheden. De voorspelling wordt dan onbetrouwbaar.

3. Wat hebben ze ontdekt? (De Resultaten)

• De beste techniek: Ze hebben geprobeerd verschillende manieren om de "ovale lijnen" te tekenen. De winnaar was een combinatie van een slimme zoekmachine (die overal in het landschap kijkt) en een lokale verfijner (die de lijn perfect maakt). Ze gebruikten een maatstaf genaamd "orthogonale afstand" – denk hieraan als de kortste afstand tussen je getekende lijn en de echte meetpunten, in plaats van alleen naar de hoogte te kijken.
• Interpolatie is een succes: Als je een snelheid wilt voorspellen die tussen je bestaande metingen ligt, werkt het uitstekend. De voorspelde lijnen lijken bijna identiek aan de echte metingen.
• Extrapolatie is riskant: Als je probeert de kaart uit te breiden naar snelheden die je niet hebt gemeten, gaat het vaak mis. De cijfers schieten dan omhoog, en de voorspelling is niet meer te vertrouwen.

4. Waarom is dit belangrijk?

Stel je voor dat je een auto wilt ontwerpen. Je wilt niet 1000 uur testen doen om de hele prestatiekaart te krijgen. Met deze methode kunnen ingenieurs:

1. Met weinig metingen (slechts een paar strepen op de kaart) de hele kaart "reconstrueren".
2. Dat doen met een methode die begrijpbaar is (geen zwarte doos van AI, maar duidelijke wiskunde die fysiek zinvol is).
3. Besparen op tijd en geld.

De grote waarschuwing:
De methode is geweldig om de "kern" van de kaart te vullen, maar je moet oppassen met de randen. Je kunt de motor niet zomaar "uitrekken" naar snelheden die je nooit hebt gemeten zonder extra regels toe te voegen.

Conclusie in één zin:
De onderzoekers hebben een slimme manier bedacht om de "skelet" van een turbo-compressor te tekenen met een paar meetpunten, waardoor ze de rest van de kaart kunnen invullen, maar ze waarschuwen dat je niet blindelings mag vertrouwen op wat er buiten de bekende grenzen gebeurt.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het onderzoeksrapport "Physics-Based Approximation and Prediction of Speedlines in Compressor Performance Maps" in het Nederlands.

Titel: Fysiek gebaseerde benadering en voorspelling van snelheidlijnen in compressorprestatiekaarten

Auteurs: Abdul-Malik Akiev, Danyal Ergür, Alexander Schirger, Matthias Müller, Alexander Hinterleitner, Thomas Bartz-Beielstein
Instituut: TH Köln (THK-AI Research Cluster) & Everllence SE
Datum: 13 maart 2026

---

1. Probleemstelling

Compressorprestatiekaarten (CPM's) zijn essentieel voor het ontwerp, de evaluatie en de besturing van turbo-aangedreven motoren en gasturbines. Deze kaarten beschrijven de relatie tussen het gecorrigeerde massavolume, het drukverhouding en het toerental.

• Uitdaging: Het genereren van accurate CPM's vereist uitgebreide metingen op testbanken, wat tijdrovend, duur en vaak beperkt is tot discrete bedrijfsomstandigheden en snelheidlijnen.
• Behoefte: Er is een sterke vraag naar betrouwbare algoritmen die ontbrekende snelheidlijnen of volledige CPM's kunnen reconstrueren op basis van schaarse metingen.
• Huidige aanpak: Machine Learning-methoden (zoals RNN's) tonen veelbelovende resultaten maar vereisen grote hoeveelheden trainingsdata en missen vaak fysieke interpreteerbaarheid.

2. Methodologie

Het rapport presenteert een fysiek gebaseerde benadering die elke snelheidlijn benadert met een superellipse. De methode bestaat uit twee hoofdstadia:

A. Superellipse Modellering en Fitting

Elke snelheidlijn wordt geapproximeerd met een parametrische superellipse, gedefinieerd door een compacte vector $\beta$ met fysiek betekenisvolle parameters:
$$\left( \frac{\dot{m} - \dot{m}_{zs}}{\dot{m}_{ch} - \dot{m}_{zs}} \right)^{CUR} + \left( \frac{\Pi - \Pi_{zs}}{\Pi_{ch} - \Pi_{zs}} \right)^{CUR} = 1$$
Waarbij:

• $\dot{m}_{zs}, \Pi_{zs}$: Het "surge"-punt (instabiel gebied).
• $\dot{m}_{ch}, \Pi_{ch}$: Het "choke"-punt (verstikking).
• $CUR$: De krommingsparameter die de vorm bepaalt.
• $\beta = [\dot{m}_{zs}, \Pi_{zs}, \dot{m}_{ch}, \Pi_{ch}, CUR]^T$.

Optimalisatie-pijplijn:
In plaats van eenvoudige lokale optimalisatie, implementeren de auteurs een robuust twee-staps proces:

1. Globale zoektocht: Gebruik van Differential Evolution (DE) of Particle Swarm Optimization (PSO) om lokale minima te vermijden en een goede startwaarde te vinden.
2. Lokale verfijning: Gebruik van Nelder-Mead (derivative-free) of L-BFGS-B als oplosser voor precisie.
3. Foutmeting: De orthogonale afstand (ortho) tussen gemeten en voorspelde punten in de $(\dot{m}, \Pi)$-ruimte wordt gebruikt als hoofddoelfunctie, omdat deze geometrisch nauwkeuriger en robuuster is dan RMSE of MAPE.

B. Voorspelling via $\beta$-vectoren

Na het fitten van bekende snelheidlijnen worden de corresponderende $\beta$-vectoren gebruikt om onbekende lijnen te voorspellen:

• Interpolatie/Extrapolatie: Er wordt polynoominterpolatie (graad 4) toegepast op elke parameter van de $\beta$-vector als functie van het toerental.
• Beperkingen: Fysieke constraints worden gehandhaafd (bijv. kromming $\ge 2$, niet-negatieve waarden).
• Validatie: Een "hold-out" strategie wordt gebruikt waarbij een snelheidlijn wordt verwijderd, de rest wordt gefit, en de verwijderde lijn wordt voorspeld om de nauwkeurigheid te testen.

3. Belangrijkste Bijdragen

1. Geoptimaliseerde Fitting-strategie: Het combineren van het LlamasEllipse-model met DE-initialisatie, Nelder-Mead als oplosser en ortho als foutmeting bleek superieur aan directe least-squares fitting (DirectEllipse) en andere optimalisatiestrategieën.
2. Interpreteerbare Parametrisatie: De methode reduceert complexe data naar een laag-dimensionale, fysiek interpreteerbare vector, wat de interpretatie en controle vergemakkelijkt.
3. Kritische Analyse van Metrieken: Het rapport demonstreert dat standaard metrieken zoals MAPE en RMSE misleidend kunnen zijn bij compressordata (vooral bij waarden dicht bij nul of hoge kromming), en pleit voor de orthogonale afstand als betrouwbaarder maatstaf.
4. Vergelijking met Data-Driven Methoden: De studie biedt een kwantitatieve basis voor het vergelijken van fysiek geïnformeerde methoden met RNN-gebaseerde benaderingen.

4. Resultaten

De methode werd getest op een publieke benchmark-dataset (tca_88) en een industriële dataset van Everllence (15 CPM's van twee turbocharger-types).

• Interpolatie (binnen het bekende toerentalbereik):

  • De methode presteert uitstekend, vooral in het middensegment van het toerentalbereik.
  • Voorspelde lijnen volgen de gemeten data nauwkeurig (lage ortho- en RMSE-waarden).
  • Zelfs bij soms hoge numerieke fouten (door outliers) blijft de visuele vorm van de lijn vaak correct.

• Extrapolatie (buiten het bekende bereik):

  • Grote beperking: De prestatie verslechtert drastisch bij extrapolatie, vooral bij lage toerentallen.
  • Voorbeeld: Bij extrapolatie naar 250 m/s werden catastrofale fouten waargenomen (ortho > 48.000, MAPE > 1.000.000%), hoewel de $\beta$-coëfficiënten een gladde trend lieten zien.
  • Conclusie: Polynoominterpolatie is wiskundig consistent maar vangt de onderliggende fysica van de compressor aan de randen niet goed op.

• Industriële Toepassing:

  • Voor interpolatie is de methode betrouwbaar en vereist weinig data.
  • Voor extrapolatie is de huidige aanpak onbetrouwbaar zonder extra fysieke constraints.

5. Betekenis en Toekomstperspectief

• Significantie: De studie toont aan dat fysiek gebaseerde benaderingen met minimale data-vereisten zeer effectief kunnen zijn voor het reconstrueren van compressorprestatiekaarten, mits binnen het interpolatiebereik. Ze bieden een interpreteerbaar alternatief voor "black-box" machine learning.
• Beperkingen: De huidige methode faalt bij extrapolatie omdat polynomen de fysieke grenzen van compressoren niet inherent modelleren.
• Aanbevelingen voor toekomstig onderzoek:
  • Integratie van fysiek geïnformeerde constraints (bijv. thermodynamische grenzen) om extrapolatie te sturen.
  • Gebruik van hybride modellen die polynoomregressie combineren met machine learning (bijv. Gaussian Processes of Neural Networks) om de overgang tussen data en fysica te optimaliseren.
  • Onderzoek naar alternatieve functiefamilies (bijv. splines of rationale functies) in plaats van polynomen voor stabielere parameter-evolutie.

Conclusie: De voorgestelde methode is een krachtig hulpmiddel voor data-efficiënte interpolatie van compressorprestaties, maar vereist verdere ontwikkeling (hybride aanpak) om betrouwbare extrapolatie te mogelijk maken voor volledige kaartreconstructie.