Verwendung von KI für die Leistungsvorhersage von Axialkompressoren und anderen Turbomaschinen

Die Konstruktion und Analyse von Axialkompressoren ist zeit- und kostenintensiv, da herkömmliche Ansätze viele Iterationen zwischen dem Schritt der Zyklusanalyse und der endgültigen Geometrie erfordern. Heutige Zyklen und Komponenten werden oft an ihre Grenzen gebracht, um die höchstmögliche Effizienz und den niedrigsten Kraftstoffverbrauch zu erreichen. Um dieses Ziel einer hohen Effizienz und eines geringen Verbrauchs zu erreichen, wird insbesondere bei modernen Gasturbinentriebwerken das Druckverhältnis von Hochdruckverdichtern (HPC) ständig erhöht. Dies führt jedoch zu höheren relativen Machzahlen an der Rotorspitze in den ersten Stufen des HPC, was zu steileren Leistungskennfeldern führt. Ein allgemeines Leistungsdiagramm eines Axialkompressors ist in Bild 1 dargestellt.

Leistungskarten stellen das Verdichterverhalten dar und werden für die Verdichter-Turbinenanpassung und die Stallmargenbewertung verwendet. Maps können auch verschiedene Kompressoren vergleichen, um das am besten geeignete Design für eine bestimmte Anwendung zu ermitteln. In diesen Karten wird üblicherweise das Druckverhältnis gegenüber dem korrigierten Massendurchfluss und der Drehzahl dargestellt. Die Karte hat eine nach links gerichtete Grenze, die als Surge-Linie bezeichnet wird, und eine nach rechts gerichtete Grenze, die als Choke-Linie bezeichnet wird. Innerhalb dieser Grenzen kann der Kompressor vorhersehbar arbeiten.

Diese Karten werden durch physikalische Experimente erstellt, bei denen frühe Prototypen oder endgültige Kompressorkonstruktionen in einen Prüfstand mit mehreren Drucksensoren, Massendurchflussmessern, Drosseln und mehreren weiteren Prüfgeräten integriert werden. Dies ist kostspielig, daher sollte die Anzahl der durchgeführten Tests gering sein. Darüber hinaus kann es passieren, dass der Kompressor seine Pumpgrenze überschreitet, wenn der Bediener den Massendurchsatz zu stark drosselt. Dies kann zu einer explosionsartigen Entladung am Einlass und schweren Schäden führen. Daher werden mit der ständig verbesserten Computertechnologie zunehmend Methoden der Computational Fluid Dynamics (CFD) eingesetzt und ersetzen teure Prüfstände, insbesondere in der frühen Phase des Designprozesses. Der Einsatz von CFD bringt Vorteile, ist aber nicht ohne Nachteile. Ein Ingenieur kann den Prozess der Ausführung mehrerer Betriebspunkte automatisieren; Allerdings ist der Prozess immer noch langsam und erfordert ein feines Netz, um genaue Ergebnisse zu erhalten.

Die für die Vollzyklusanalyse bei verschiedenen Betriebsbedingungen erforderlichen Leistungskarten gelten nur für eine feste Geometrie. Dies führt zu einer interessanten Herausforderung. Wie oben erwähnt, geht der Trend zu höheren Druckverhältnissen mit steileren Geschwindigkeitslinien einher. Dadurch wird der Betriebsbereich des Kompressors eingeschränkt, was unerwünscht ist. Um die Situation zu verbessern, werden in den ersten Stufen variable Leitschaufeln (VGVs) eingesetzt. Der Metallwinkel dieser Flügel kann je nach aktuellem Betriebspunkt angepasst werden, was einen größeren Betriebsbereich ermöglicht. Obwohl sie für die endgültige Implementierung nützlich sind, ist die Konstruktion solcher Kompressoren noch schwieriger. Wie erwähnt sind die Karten nur für eine feste Geometrie gültig. Dies bedeutet, dass für die Verwendung von VGVs Karten für die verschiedenen möglichen Winkelschaufelpositionen erstellt werden müssen oder dass man nur einige Karten mit unterschiedlichen Schaufelwinkeln generiert und Interpolationsmethoden anwendet. Dies führt aufgrund der Interpolation zu Ungenauigkeiten.

Wie kann der Prozess also verbessert werden, um Zeit zu sparen und den Entwurfsprozess zu beschleunigen? Ist eine weitere Verbesserung überhaupt möglich? Die Antwort ist ja. Unternehmen beschäftigen sich mittlerweile mit künstlicher Intelligenz (KI). KI-Algorithmen wurden in den letzten Jahren bei einer Vielzahl von Aufgaben eingesetzt und erfreuen sich aufgrund ihrer Flexibilität und hohen Genauigkeit immer größerer Beliebtheit. Ein häufiges Beispiel sind Service-Chatbots, die Fragen beantworten und gleichzeitig lernen, während ihrer Interaktionen bessere oder genauere Antworten zu finden. Das gleiche Prinzip kann bei der Verdichterkonstruktion sowie bei der Konstruktion anderer Turbomaschinen wie Pumpen und Turbinen angewendet werden.

Bestimmte Eigenschaften können anhand eines Datensatzes vorhergesagt werden, der als Trainingsdaten für das KI-Modell fungiert. Dazu gehören Leistungskarten. Als Eingaben können geometrische Werte wie Einlassdurchmesser, Schaufelwinkel oder Auslegungspunktwerte wie Druckverhältnis oder Auslegungsmassenstrom verwendet werden, als Ausgabe können ganze Leistungskennfelder oder eine anfängliche Verdichtergeometrie dienen. Dies alles würde vom Ersteller des Modells entschieden, der die genauen Eingaben und Ausgaben festlegen würde. Die Trainingsdaten können aus neuen Daten bestehen, die ausschließlich zum Trainieren des KI-Modells erstellt wurden, oder aus vorhandenen Informationen, die über die Betriebsdauer eines Unternehmens gesammelt wurden. Es könnten auch neue Daten zu einem bestehenden KI-Algorithmus hinzugefügt werden, was dazu beiträgt, die Genauigkeit der Ausgabe zu verbessern. Es besteht ein hohes Maß an Aufgabenflexibilität, die genutzt wird, um auf die verschiedenen Probleme oder Anforderungen eines Ingenieurs einzugehen.

Bild 2 ist ein Beispiel für die hochpräzisen und zeitsparenden Möglichkeiten der KI.

Das Bild zeigt den direkten Vergleich der tatsächlichen Daten mit der KI-Vorhersage des Druckverhältnisses und der Effizienzkurve eines Kompressors. Dies basiert auf einer auf der Turbo Expo 20221 vorgestellten Forschungsstudie, in der verschiedene KI-Modelle entwickelt und miteinander verglichen wurden. Die Punkte stellen die tatsächlichen Daten dar, die durch 3D-CFD gewonnen wurden, während die blauen und roten Linien die KI-Vorhersagen darstellen. Sie signalisieren eine Übereinstimmung und demonstrieren die mögliche hohe Genauigkeit der KI. Bedenken Sie nun, dass jeder Punkt auf der Karte für die tatsächlichen Daten durch 3D-CFD ermittelt wurde, was je nach Netzverfeinerung Stunden, wenn nicht Tage dauern kann. Die KI-Ausgabe kann in Sekundenschnelle erhalten werden. Darüber hinaus wurde das Modell so eingerichtet, dass es auch eine anfängliche Kompressorgeometrie ausgibt, für die ein Beispiel in Bild 3 dargestellt ist.

Um auf diesem Beispiel aufzubauen, könnte die KI in Bild 3 auch so angepasst werden, dass sie nur einen einzigen Punkt vorhersagt. Mit dieser Konfiguration könnte die KI dann direkt in die Zyklusanalyse einer Maschine eingebunden werden. Zyklusparameter können als Eingabe und Druckverhältnis verwendet werden, und die Effizienz kann dann an das Zyklusanalysetool zurückgegeben werden. Ein Beispielschema eines Strahltriebwerkszyklus ist in Bild 4 dargestellt.

Hier besteht ein weiterer zeitsparender Aspekt. Durch den Einsatz von KI in Kombination mit einem Zyklusanalysetool können Komponenten (Kompressor, Lüfter usw.) ersetzt und direkt der Wert für die Effizienz bereitgestellt werden. Dies bedeutet, dass der Effizienzwert nicht mehr angenommen oder aufwändig iterativ ermittelt werden muss, wie dies bei herkömmlichen Entwurfsmethoden häufig der Fall ist. Darüber hinaus wird die Effizienz in jedem Bauteilkonstruktionsschritt aktualisiert und in die Zyklusanalyse zurückgeführt. Dies kann mit KI auf wenige Iterationen reduziert werden, da das KI-Modell sofort Effizienz basierend auf den Trainingsdaten liefert. Außerdem wird eine passende Kompressorgeometrie ausgegeben, was den Konstruktionsvorgang erheblich vereinfacht, da der Ingenieur mit einer Ausgangsgeometrie und nicht bei Null beginnt.

Während Leistungskarten in der Regel ressourcenintensiv sind, insbesondere wenn variable Geometrien im Kompressor enthalten sind und herkömmliche Erstellungsmethoden verwendet werden, sind sie für eine genaue Zyklusgestaltung und -analyse unerlässlich. Der Einsatz von KI ermöglicht es Ingenieuren, Kennfelder und Kompressorgeometrien viel schneller als bisher zu erstellen und wird den gesamten Maschinenkonstruktionsprozess sowie die Optimierung verschiedener Komponenten verbessern.

Verweise

Burlaka, Maksym. und Moroz, Leonid. „Erzeugung von Axialkompressorkarten unter Nutzung autonomer, selbsttrainingender KI.“ Tagungsband der ASME Turbo Expo 2022

Sascha Podlech ist Anwendungsingenieur bei SoftInWay, Inc. Er verfügt über mehrjährige Erfahrung in der Konstruktion von Turbomaschinen und ist auf die Optimierung von Prozessen und Verfahren für Konstruktionsaufgaben spezialisiert. Er kann unter [email protected] erreicht werden. Weitere Informationen finden Sie unter softinway.com.