HyOpt
Bei der Entwicklung neuartiger Produkte werden meist viele Anforderungen an stark beanspruchte Komponenten gestellt. Diese können beispielsweise strukturmechanisch, aerodynamisch oder gekoppelt Auftreten und stellen daher große Hürden beim Engineering dar. Da die Bewertung meist nur durch hardwareaufwendige Simulationen bereitgestellt werden kann, erfolgt der Auslegungsprozess meist iterativ mithilfe von Optimierungsverfahren.
Innerhalb des Projekts HyOpt sollen hochintegrative digitale Entwicklungsprozesse in Luftfahrt, Energie und Verkehr mittels einer Kombination von Physik-basierten Modellen und Ansätzen des Maschinellen Lernens (ML) gestärkt werden. Hierfür werden in einem interdisziplinären Ansatz aus Aerodynamik, Thermodynamik und Strukturmechanik sowohl die physikalische Prozesssimulation, als auch ML basierte Ansätze im Sinne von Reduced Order Models (ROMs) weiterentwickelt, um diese kombiniert sowohl im manuellen digitalen Auslegungsprozess als auch innerhalb automatisierter Optimierungen einzusetzen.
Hierfür werden die physikalischen Prozesssimulationen verbessert und Modelle reduzierter Ordnung auf Basis tiefer Neuronaler Netze entwickelt, welche das hochdimensionale aerodynamische und strukturmechanische Verhalten der betrachteten Bauteile approximieren. Anschließend werden diese Modelle mit den multi-fidelity Simulationsverfahren und/oder experimentellen Beispieldaten trainiert und über eine Client-Server-Architektur verfügbar gemacht, um die jeweiligen Auslegungen unter Berücksichtigung propagierter Unsicherheiten signifikant zu beschleunigen.