Optimierungsumgebung AutoOpti
Am Institut für Antriebstechnik entwickeln wir ein durchgängiges, numerisches Designsystem zur aeromechanischen Auslegung von Turbomaschinen-Komponenten. AutoOpti hat mittlerweile einen hohen Reifegrad erreicht und wird in mehreren Industrieunternehmen erfolgreich eingesetzt.
Das Programmpaket zur automatisierten multidisziplinären Optimierung von Turbomaschinenkomponenten AutoOpti wird von der zweidimensionalen Profilaerodynamik bis hin zur dreidimensionalen multidisziplinären Optimierung mehrstufiger Konfigurationen eingesetzt. Der Kern der Optimierungsalgorithmen für Aerodynamik, Mechanik, Aeroelastik und Akustik basiert auf der Evolutionsstrategie, die eine simultane Verbesserung mehrerer Zielfunktionen und die Einhaltung vieler Nebenbedingungen erlaubt. Die Robustheit und die Möglichkeit, lokale Minima zu überwinden, bleiben erhalten. Die moderate Konvergenzgeschwindigkeit wird durch hardwarenahe Beschleunigungsverfahren und insbesondere durch Antwortflächen (Metamodelle) auf ein für die industrielle und Forschungspraxis notwendiges Niveau angehoben. Die Antwortflächen (Neuronale Netze und Kriging) können nun auch Gradienteninformationen der Zielfunktionale berücksichtigen, eine Voraussetzung für den effektiven Einsatz von adjointTRACE in der Prozesskette.
Antwortflächen für industrielle Anwendungen: Gaußsche Prozesse
und neuronale Netze
Die moderate Konvergenzgeschwindigkeit wird durch hardwarenahe Beschleunigungsverfahren und insbesondere durch Antwortflächen (Metamodelle oder Ersatzmodelle) auf ein für die industrielle und Forschungspraxis notwendiges Niveau angehoben. Die Antwortflächen (Gaußsche Prozesse, neuronale Netze) können auch Gradienteninformationen der Zielfunktionale berücksichtigen, eine Voraussetzung für den effektiven Einsatz von adjointTRACE in der Prozesskette. Auch der Einsatz von Simulationen unterschiedlicher Gütestufen wird durch einen Multi-Fidelity-Ansatz unterstützt.
Datenbankgestützte Approximation von Zielfunktionalen und Designparametern
Gaußsche Prozesse und/oder Neuronale Netze approximieren auf Basis der in der Datenbank vorhandenen Ergebnisse die Zusammenhänge zwischen Zielfunktionalen und freien Designparametern. Anschließend erfolgt eine temporäre Optimierung auf diesen Antwortflächen und nur die erfolgversprechendsten Datensätze werden an die numerisch aufwändige Prozesskette übergeben und stehen dann, nach ihrer Auswertung, den Ersatzmodellen als zusätzliche Trainings Samples wieder zur Verfügung. Damit verbessert sich automatisch auch die Qualität dieser Modelle.
Identifizierung des Designs mit dem maximal zu erwartenden Optimierungsfortschritt
Während den temporären Optimierungen auf den Modellen wird ein neuer Punkt im Designraum gesucht, der zusammen mit allen noch in der Bewertung befindlichen Designs den erwarteten Volumengewinn im Vergleich zur aktuellen Paretofront maximiert. Mit Hilfe dieses Kriteriums kann unter den Datensätzen mit gleichem Paretorang derjenige mit dem maximal zu erwartenden Optimierungsfortschritt identifiziert werden. Bei allen Anpassungen wird darauf geachtet, dass die Online-Steuerbarkeit von AutoOpti, wie zum Beispiel die Änderung von Zielfunktionen, Nebenbedingungen und Grenzen der freien Parameter während einer laufenden Optimierung, erhalten bleibt und weiter verbessert wird. AutoOpti hat mittlerweile einen hohen Reifegrad erreicht und wird in mehreren Industrieunternehmen erfolgreich eingesetzt.