TY - THES A1 - Schemmann, Christoph T1 - Optimierung von radialen Verdichterlaufrädern unter Berücksichtigung empirischer und analytischer Vorinformationen mittels eines mehrstufigen Sampling Verfahrens T1 - Optimization of Centrifugal Compressor Impellers by a Multi-fidelity Sampling Method Taking Analytical and Empirical Information into Account N2 - Turbomachinery plays an important role in many cases of energy generation or conversion. Therefore, turbomachinery is a promising approaching point for optimization in order to increase the efficiency of energy use. In recent years, the use of automated optimization strategies in combination with numerical simulation has become increasingly popular in many fields of engineering. The complex interactions between fluid and solid mechanics encountered in turbomachines on the one hand and the high computational expense needed to calculate the performance on the other hand, have, however, prevented a widespread use of these techniques in this field of engineering. The objective of this work was the development of a strategy for efficient metamodel based optimization of centrifugal compressor impellers. In this context, the main focus is the reduction of the required numerical expense. The central idea followed in this research was the incorporation of preliminary information acquired from low-fidelity computation methods and empirical correlations into the sampling process to identify promising regions of the parameter space. This information was then used to concentrate the numerically expensive high-fidelity computations of the fluid dynamic and structure mechanic performance of the impeller in these regions while still maintaining a good coverage of the whole parameter space. The development of the optimization strategy can be divided into three main tasks. Firstly, the available preliminary information had to be researched and rated. This research identified loss models based on one dimensional flow physics and empirical correlations as the best suited method to predict the aerodynamic performance. The loss models were calibrated using available performance data to obtain a high prediction quality. As no sufficiently exact models for the prediction of the mechanical loading of the impellercould be identified, a metamodel based on finite element computations was chosen for this estimation. The second task was the development of a sampling method which concentrates samples in regions of the parameter space where high quality designs are predicted by the preliminary information while maintaining a good overall coverage. As available methods like rejection sampling or Markov-chain Monte-Carlo methods did not meet the requirements in terms of sample distribution and input correlation, a new multi-fidelity sampling method called “Filtered Sampling“has been developed. The last task was the development of an automated computational workflow. This workflow encompasses geometry parametrization, geometry generation, grid generation and computation of the aerodynamic performance and the structure mechanic loading. Special emphasis was put into the development of a geometry parametrization strategy based on fluid mechanic considerations to prevent the generation of physically inexpedient designs. Finally, the optimization strategy, which utilizes the previously developed tools, was successfully employed to carry out three optimization tasks. The efficiency of the method was proven by the first and second testcase where an existing compressor design was optimized by the presented method. The results were comparable to optimizations which did not take preliminary information into account, while the required computational expense cloud be halved. In the third testcase, the method was applied to generate a new impeller design. In contrast to the previous examples, this optimization featuredlargervariationsoftheimpellerdesigns. Therefore, theapplicability of the method to parameter spaces with significantly varying designs could be proven, too. N2 - Turbomaschinen sind eine entscheidende Komponente in vielen Energiewandlungs- oder Energieerzeugungsprozessen und daher als vielversprechender Ansatzpunkt für eine Effizienzsteigerung der Energie-und Ressourcennutzung anzusehen. Im Laufe des letzten Jahrzehnts haben automatisierte Optimierungsmethoden in Verbindung mit numerischer Simulation zunehmend breitere Verwendung als Mittel zur Effizienzsteigerung in vielen Bereichen der Ingenieurwissenschaften gefunden. Allerdings standen die komplexen Interaktionen zwischen Strömungs- und Strukturmechanik sowie der hohe nummerische Aufwand einem weitverbreiteten Einsatz dieser Methoden im Turbomaschinenbereich bisher entgegen. Das Ziel dieser Forschungsaktivität ist die Entwicklung einer effizienten Strategie zur metamodellbasierten Optimierung von radialen Verdichterlaufrädern. Dabei liegt der Schwerpunkt auf einer Reduktion des benötigten numerischen Aufwandes. Der in diesem Vorhaben gewählte Ansatz ist das Einbeziehen analytischer und empirischer Vorinformationen (“lowfidelity“) in den Sampling Prozess, um vielversprechende Bereiche des Parameterraumes zu identifizieren. Diese Informationen werden genutzt um die aufwendigen numerischen Berechnungen (“high-fidelity“) des strömungs- und strukturmechanischen Verhaltens der Laufräder in diesen Bereichen zu konzentrieren, während gleichzeitig eine ausreichende Abdeckung des gesamten Parameterraumes sichergestellt wird. Die Entwicklung der Optimierungsstrategie ist in drei zentrale Arbeitspakete aufgeteilt. In einem ersten Schritt werden die verfügbaren empirischen und analytischen Methoden gesichtet und bewertet. In dieser Recherche sind Verlustmodelle basierend auf eindimensionaler Strömungsmechanik und empirischen Korrelationen als bestgeeignete Methode zur Vorhersage des aerodynamischen Verhaltens der Verdichter identifiziert worden. Um eine hohe Vorhersagegüte sicherzustellen, sind diese Modelle anhand verfügbarer Leistungsdaten kalibriert worden. Da zur Vorhersage der mechanischen Belastung des Laufrades keine brauchbaren analytischen oder empirischen Modelle ermittelt werden konnten, ist hier ein Metamodel basierend auf Finite-Element Berechnungen gewählt worden. Das zweite Arbeitspaket beinhaltet die Entwicklung der angepassten Samplingmethode, welche Samples in Bereichen des Parameterraumes konzentriert, die auf Basis der Vorinformationen als vielversrechend angesehen werden können. Gleichzeitig müssen eine gleichmäßige Abdeckung des gesamten Parameterraumes und ein niedriges Niveau an Eingangskorrelationen sichergestellt sein. Da etablierte Methoden wie Markov-Ketten-Monte-Carlo-Methoden oder die Verwerfungsmethode diese Voraussetzungen nicht erfüllen, ist ein neues, mehrstufiges Samplingverfahren (“Filtered Sampling“) entwickelt worden. Das letzte Arbeitspaket umfasst die Entwicklung eines automatisiertenSimulations-Workflows. Dieser Workflow umfasst Geometrieparametrisierung, Geometrieerzeugung, Netzerzeugung sowie die Berechnung des aerodynamischen Betriebsverhaltens und der strukturmechanischen Belastung. Dabei liegt ein Schwerpunkt auf der Entwicklung eines Parametrisierungskonzeptes, welches auf strömungsmechanischen Zusammenhängen beruht, um so physikalisch nicht zielführende Parameterkombinationen zu vermeiden. Abschließend ist die auf den zuvor entwickelten Werkzeugen aufbauende Optimierungsstrategie erfolgreich eingesetzt worden, um drei Optimierungsfragestellungen zu bearbeiten. Im ersten und zweiten Testcase sind bestehende Verdichterlaufräder mit der vorgestellten Methode optimiert worden. Die erzielten Optimierungsergebnisse sind von ähnlicher Güte wie die solcher Optimierungen, die keine Vorinformationen berücksichtigen, allerdingswirdnurdieHälfteannumerischemAufwandbenötigt. IneinemdrittenTestcase ist die Methode eingesetzt worden, um ein neues Laufraddesign zu erzeugen. Im Gegensatz zu den vorherigen Beispielen werden im Rahmen dieser Optimierung stark unterschiedliche Designs untersucht. Dadurch kann an diesem dritten Beispiel aufgezeigt werden, dass die Methode auch für Parameterräume mit stakt variierenden Designs funktioniert. T3 - ISM-Bericht // Institut für Strukturmechanik, Bauhaus-Universität Weimar - 2019,3 KW - Simulation KW - Maschinenbau KW - Optimierung KW - Strömungsmechanik KW - Strukturmechanik Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:gbv:wim2-20190910-39748 ER - TY - THES A1 - Unger, Jörg F. T1 - Neural networks in a multiscale approach for concrete N2 - From a macroscopic point of view, failure within concrete structures is characterized by the initiation and propagation of cracks. In the first part of the thesis, a methodology for macroscopic crack growth simulations for concrete structures using a cohesive discrete crack approach based on the extended finite element method is introduced. Particular attention is turned to the investigation of criteria for crack initiation and crack growth. A drawback of the macroscopic simulation is that the real physical phenomena leading to the nonlinear behavior are only modeled phenomenologically. For concrete, the nonlinear behavior is characterized by the initiation of microcracks which coalesce into macroscopic cracks. In order to obtain a higher resolution of this failure zones, a mesoscale model for concrete is developed that models particles, mortar matrix and the interfacial transition zone (ITZ) explicitly. The essential features are a representation of particles using a prescribed grading curve, a material formulation based on a cohesive approach for the ITZ and a combined model with damage and plasticity for the mortar matrix. Compared to numerical simulations, the response of real structures exhibits a stochastic scatter. This is e.g. due to the intrinsic heterogeneities of the structure. For mesoscale models, these intrinsic heterogeneities are simulated by using a random distribution of particles and by a simulation of spatially variable material parameters using random fields. There are two major problems related to numerical simulations on the mesoscale. First of all, the material parameters for the constitutive description of the materials are often difficult to measure directly. In order to estimate material parameters from macroscopic experiments, a parameter identification procedure based on Bayesian neural networks is developed which is universally applicable to any parameter identification problem in numerical simulations based on experimental results. This approach offers information about the most probable set of material parameters based on experimental data and information about the accuracy of the estimate. Consequently, this approach can be used a priori to determine a set of experiments to be carried out in order to fit the parameters of a numerical model to experimental data. The second problem is the computational effort required for mesoscale simulations of a full macroscopic structure. For this purpose, a coupling between mesoscale and macroscale model is developed. Representative mesoscale simulations are used to train a metamodel that is finally used as a constitutive model in a macroscopic simulation. Special focus is placed on the ability of appropriately simulating unloading. N2 - Makroskopisch betrachtet kann das Versagen von Beton durch die Entstehung und das Wachstum von Rissen beschrieben werden. Im ersten Teil der Arbeit wird eine Methode zur Simulation der makroskopischen Rissentwicklung von Beton unter Verwendung von kohäsiven diskreten Rissen basierend auf der erweiterten Finiten Elemente Methode vorgestellt. Besondere Bedeutung liegt dabei auf der Untersuchung von Kriterien zur Rissentstehung und zum Risswachstum. Ein Nachteil von makroskopischen Simulationen liegt in der nur phänomenologischen Berücksichtigung der tatsächlichen Vorgänge. Nichtlineares Verhalten von Beton ist durch die Entstehung von Mikrorissen gekennzeichnet, die bei weiterer Belastung zu makroskopischen Rissen zusammenwachsen. Um die Versagenszone realitätsnah abbilden zu können, wurde ein Mesoskalenmodell von Beton entwickelt, welches Zuschläge, Matrix und Übergangszone zwischen beiden Materialien (ITZ) direkt abbildet. Hauptmerkmal sind die Simulation der Zuschläge nach einer Sieblinie, eine kohäsive Materialformulierung der ITZ und ein kombiniertes Model aus Schädigung und Plastizität für das Matrixmaterial. Im Gegensatz zu numerischen Simulationen ist die Systemantwort reeller Strukturen eine unscharfe Größe. Dies liegt u.a. an Heterogenitäten innerhalb der Struktur, die im Rahmen der Arbeit durch eine zufällige Verteilung der Zuschläge und über räumlich variierende Materialparameter unter Verwendung von Zufallsfeldern simuliert werden. Zwei Hauptprobleme sind bei den Mesoskalensimulationen aufgetreten. Einerseits sind Materialparameter auf der Mesoskala oft schwer zu bestimmen. Deswegen wurde eine Methode basierend auf Bayes neuronalen Netzen entwickelt, die eine Parameteridentifikation unter Verwendung von makroskopischen Versuchen erlaubt. Diese Methode ist aber universell anwendbar auf alle Parameteridentifikationsprobleme in numerischen Simulationen basierend auf experimentellen Daten. Der Ansatz liefert sowohl Informationen über den wahrscheinlichsten Parametersatz des Models zur numerischen Simulation eines Experiments als auch eine Einschätzung der Genauigkeit dieses Schätzers. Die Methode kann auch verwendet werden, um a priori einen Satz von Experimenten auszuwählen der notwendig ist, um die Parameter eines numerischen Modells zu bestimmen. Ein zweites Problem ist der numerische Aufwand von Mesoskalensimulationen für makroskopische Strukturen. Aus diesem Grund wurde eine Kopplungsstrategie zwischen Meso- und Makromodell entwickelt, bei dem repräsentative Simulationen auf der Mesoebene verwendet werden, um ein Metamodell zu generieren, welches dann die Materialformulierung in einer makroskopischen Simulation darstellt. Ein Fokus liegt dabei auf der korrekten Abbildung von Entlastungen. T2 - Neuronale Netze in einem Multiskalenansatz für Beton T3 - ISM-Bericht // Institut für Strukturmechanik, Bauhaus-Universität Weimar - 2009,1 KW - Beton KW - Mehrskalenmodell KW - Mehrskalenanalyse KW - Neuronales Netz KW - Monte-Carlo-Simulation KW - Simulation KW - Monte-Carlo-Integration KW - Kontinuierliche Simul KW - Bayes neuronale Netze KW - Parameteridentification KW - Bayesian neural networks KW - parameter identification Y1 - 2009 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:gbv:wim2-20090626-14763 ER -