@incollection{LattnerGellerKluck2022,
  author    = {Yannick Lattner and Marius Geller and Norbert Kluck},
  title     = {Generierung und Parametrisierung von Radialverdichterkennlinien auf Basis neuronaler Netze},
  series = {NAFEMS DACH Regionalkonferenz - Conference Proceedings},
  volume    = {2022},
  isbn      = {978-1-910643-86-0},
  pages     = {287 -- 292},
  year      = {2022},
  abstract  = {Die Optimierung von Radialverdichtern in Hinblick auf Ressourceneffizienz nimmt heutzutage einen immer gr{\"o}{\"s}eren Stellenwert ein. Die kennlinien- und auch kennfeldbasierte Optimierung l{\"o}st dabei die betriebspunktbasierte Optimierung von Radialverdichterlaufr{\"a}dern immer mehr ab. Moderne komplexe numerische Simulationstools zur Str{\"o}mungsanalyse und Softwaretools aus dem Bereich der Optimierung auf Basis von Design-of-Experiments (DoE) werden in immer gr{\"o}{\"s}erem Ma{\"s}e in den Prozess eingebunden. Die sich in den letzten Jahren weiterentwickelte Hardware erlaubt zus{\"a}tzlich immer komplexere Rechenmodelle in immer k{\"u}rzerer Zeit zu bearbeiten. Die vorliegende Arbeit befasst sich genau mit diesem Thema. Ausgangspunkt des Optimierungsprozesses sind eine Vielzahl von zuf{\"a}llig generierten Maschinendesigns, die unter Einhaltung von str{\"o}mungsabh{\"a}ngigen und maschinenabh{\"a}ngigen Kennzahlen automatisch erstellt wurden. Die im weiteren Prozessablauf gestalteten Simulationen der einzelnen Designs, die aufgrund der Bauweise und der Struktur ihrer Kennfelder grob unterschiedliche Konvergenzen und Abbruchkriterien (Pump- und Schluckgrenze) aufweisen, sind durch speziell implementierte physikbasierte Indikatoren ausfallsicher handhabbar. Die detaillierten, aber unterschiedlichen Kennlinien des Wirkungsgrades und des Druckverh{\"a}ltnisses in Abh{\"a}ngigkeit vom Massenstrom der einzelnen Simulationen sind zur weiteren Verwendung in der Optimierungsphase mithilfe von neuronalen Netzen trainiert worden. Der Aufbau des Metamodells zur eigentlichen Optimierung ist gekennzeichnet durch die Reduktion der vorhandenen Parameter unter Verwendung von B{\´e}zier-Splines, was in der vorliegenden Arbeit zu einer Reduzierung auf insgesamt lediglich 13 Parameter f{\"u}r beide betrachteten Kennlinien und ihre signifikanten Punkte f{\"u}hrt. In der nachfolgenden Optimierung kann das Metamodell zur Identifikation eines Designs mit anwenderspezifischen Zielen und Randbedingungen f{\"u}r Kennlinienbreite, Druckverh{\"a}ltnisbereich und Wirkungsgrad genutzt werden. F{\"u}r dieses Optimal-Design kann anschlie{\"s}end ohne weitere Simulationen die Kennlinie mit B{\´e}zier-Splines approximiert werden. Der Anwender ist somit in der Lage, bei der Optimierung von Radialverdichtern sowohl den Betriebspunkt als auch die Kennliniencharakteristika wie Pump- und Schluckgrenze sowie Druckverh{\"a}ltnisse jenseits des Betriebspunktes zu erfassen und so zus{\"a}tzliche Designevaluationen und Iterationsschleifen zu vermeiden.},
  language  = {de}
}