Virtuelles Triebwerk mit GTlab
GTlab ist ein integratives Framework zur Beantwortung multidisziplinärer Fragestellungen in der Antriebsforschung. Die Plattform ermöglicht den Entwurf von Antriebssystemen, stationären Gasturbinen und Turbomaschinen oder einzelnen Komponenten in unterschiedlichen Detaillierungsgraden – vom Konzeptentwurf über den Vorentwurf bis hin zum Detailentwurf und über den gesamten Produktlebenszyklus.
Mit GTlab entwickelt das DLR seit 2012 eine Softwarelösung zur Realisierung des virtuellen Triebwerks. GTlab integriert viele unterschiedliche Softwaretools verschiedener Institute des DLRs und ermöglicht es Wissenschaftlerinnen und Wissenschaftlern, Antriebssysteme kollaborativ zu entwerfen, zu berechnen, zu simulieren und zu optimieren. Diese Funktionen eröffnen neue Forschungs- und Anwendungsmöglichkeiten in den Bereichen Thermodynamik, Aerodynamik, Akustik, Strukturmechanik und Aeroelastik. GTlab ist modular aufgebaut, neue Funktionalität wird über Softwaremodule dynamisch hinzugefügt. GTlab bringt das Softwaregerüst mit, welches Kernfunktionen wie Daten- und Prozessmanagement über Schnittstellen bereitstellt. Dadurch kann die Softwarelösung weit über den Bereich der Antriebstechnik hinaus eingesetzt werden und bietet Anwendungsmöglichkeiten in zahlreichen weiteren Fachgebieten.
Die wichtigsten Kernfunktionen von GTlab
Systems Engineering
GTlab ermöglicht die Erstellung und Verarbeitung von Datenmodellen, die die Grundlage für komplexe Systeme bilden. Die Plattform ermöglicht es, fachspezifische, hierarchische Datenmodelle zu generieren, wie zum Beispiel unser detailliertes Modell für Antriebssysteme und stationäre Gasturbinen. Durch den einheitlichen und konsistenten Aufbau aller Datenstrukturen, bietet das Framework wichtige Funktionen wie das Laden und Speichern von Daten, den Vergleich von Datensätzen sowie die Versionierung von Daten. Der starke Fokus auf das Systems Engineering unterstützt Ingenieure und Entwickler bei der Konzentration auf die Weiterentwicklung der Systeme, und reduziert die Komplexität in der Datenverwaltung.
Workflow Management
GTlab verfügt über eine Workflow-Engine zur Erstellung und Ausführung von komplexen Prozessen. Kalkulatoren sind dabei ausführbare Programme, die einfache Datenmanipulationen bis hin zu wissenschaftlichen Simulationen durchführen können. Tasks organisieren die Kalkulatoren zu Prozessketten. Zusätzlich steht mit IntelliGraph ein modernes Workflow-Management-System zur Verfügung, das als Graphen organisierte Prozesse ausführt. Durch die Integration grafischer Elemente wie Diagramme können interaktive Workflows für eine Vielzahl von Anwendungsbereichen gestaltet werden.
Scripting
Mit dem eingebauten Python-Interpreter können eigene Prozesselemente wie IntelliGraph-Knoten und Kalkulatoren erstellt werden. Eine interaktive Konsole unterstützt schnelles Prototyping und Experimentieren. Das integrierte Matplotlib-Backend erleichtert die Datenvisualisierung für tiefere Einblicke. GTlabs Batch-Modus ermöglicht die Ausführung von Prozessen durch erweiterbare Batch-Befehle über die Kommandozeile und kann so für eine Vielzahl von Automatisierungsaufgaben eingesetzt werden.
Geometriegenerierung & Simulationsnetze
Mit GTlabs integriertem CAD-Kernel können 3D-Geometrien für die wichtigsten Triebwerkskomponenten erstellt werden. Basierend auf IntelliGraph bietet GTlab eine flexible, automatisierbare Lösung für das Geometrie Pre- und Post-Processing. Damit können Geometrien für unterschiedlichste Simulationen aufbereitet werden. Die integrierte Geometrie- und Netzvisualisierung von GTlab ermöglicht die Kontrolle über die Simulationserstellung und die Auswertung der Ergebnisse.
Datenanalyse
Aufbauend auf IntelliGraph bietet GTlab ein interaktives System zur Datenanalyse. Die Basis bilden Panda Dataframes zur Auswertung und Manipulation tabellierter Daten, ein eigenes Matplotlib-Backend zur Erzeugung aussagekräftiger Diagramme direkt in GTlab und scikit-learn für Algorithmen des maschinellen Lernens. Leistungsfähige und skriptfähige Datenfilter ermöglichen die schnelle Visualisierung und Reduktion großer Datensätze. Dabei können Knoten im Analyseprozess über Python-Skripte implementiert werden.