Motivation
Strömungsbestimmende Produkteigenschaften und strömungsinduzierte Akustikphänomene sind oft Maßstab für die Qualität und die Einsatzbereitschaft von Produkten. Neben der Kfz-Industrie, in der Luftwiderstand und Windgeräusche entscheidend für den wirtschaftlichen Erfolg sind, betrifft dies mittlerweile auch Bereiche mit deutlich weniger aufwändigen und margenträchtigen Produkten, z.B. Haushaltsgeräte, Lüfter, Klimaanlagen usw. In einigen Bereichen sind akustische Phänomene aber auch direkt sicherheitskritisch – Erdgasventile in Pipelines erzeugen beispielsweise Lärmpegel im Bereich von 250 dB, die direkt materialschädigend sein können und die ultraschallbasierte Materialüberwachung massiv beeinträchtigen.
Ziele und Vorgehen
Das Forschungsvorhaben ASTRADIN verfolgt die Realisierung neuartiger Softwarelösungen, die zur Geräuschoptimierung von Produkten verwendet werden. Um auf teure und aufwändige Versuchsreihen mit Prototypen verzichten zu können, findet diese heute bereits auf Höchstleistungscomputern (HPC) statt. Die derzeitige simulationsgestützte, aeroakustische Auslegung von Geräten dauert aufgrund des iterativen Vorgehens mindestens ein halbes Jahr und benötigt einen Personaleinsatz von mehreren hundert Stunden. Vor diesem Hintergrund sollen mit dem Projektvorhaben selbstlernende Methoden auf Basis tiefer neuronaler Netze dabei helfen, variable Simulationsmodelle automatisiert aufzubauen, den Simulationsprozess zu überwachen und die Ergebnisse leichter interpretieren zu können. Die dabei angestrebte wissensbasierte Automatisierung und Parallelisierung ermöglicht es erstmals, unterschiedliche Produktvarianten bereits in einem frühen Entwicklungsstadium innerhalb deutlich kürzerer Zeit zu untersuchen.
Innovationen und Perspektiven
Das Vorhaben leistet somit einen grundlegenden Beitrag zum Ausbau der Nutzung von Machine-Learning-Methoden im Bereich ingenieurtechnischer Simulationen und kann später Anwendung in verschiedenen Bereichen finden (Maschinenbau, Automobil/Mobilität, Energie).