Download (9Mb) - tuprints

Vom Nutzer
definierte
Konturierungen
Via LP-τ-DoE
definierte
Konturierungen
PADRAM
+
HYDRA
(automatisiert)
CFD-
Ergebnisse
RBF
Antwortfläche
SOFT
ARMOGA
Optimierung
Ausgewählte
Pareto-optimale
Konturierungen
Abbildung 8.3.: Schema des halbautomatischen Konturierungs-Auslegungsprozesses
der in dieser Arbeit vorgestellten Konturierungen eine entsprechende Prozesskette aufzusetzen.
Es wurde ein halbautomatisches Verfahren entwickelt, dessen wesentliche Bestandteile
eine über diverse Unix-Shell-Scripte automatisierte CFD-Prozesskette sowie ein über die Rolls-
Royce-eigene Optimierungssoftware SOFT (Smart Optimisation For Turbomachinery) gesteuertes
Suchverfahren sind [172].
Ein Ablaufdiagramm des Prozesses ist in Abb. 8.3 gezeigt. Zunächst wurde eine Datenbank
aus CFD-Ergebnissen erzeugt. Die verschiedenen Kombinationen von Auslegungsparametern
der Konturierung wurden auf zwei Wegen generiert:
1. Mit Hilfe des Design of Experiments-Algorithmus LP-τ [173].
2. Vom Nutzer spezifizierte Kombinationen, die beispielsweise aus Vorstudien als vielversprechend
erachtet wurden.
Lediglich die Annulusgeometrie wurde während der Konturierungsauslegung modifiziert, die
Schaufel selbst blieb unverändert. Für jede Parameterkombination wurden jeweils zwei CFD-
Simulationen bei Nenndrehzahl durchgeführt. Sie wurden entsprechend ihrer Drosselgrade als
„Designpunkt“ (DP) und „Nahe Stall“ (NS) bezeichnet. Das CFD-Modell entsprach jeweils dem
gesamten betrachteten Verdichter, es wurde also kein vereinfachtes CFD-Modell zum Zweck
der Konturierungsauslegung erstellt. Um die Berechnungsdauer trotzdem in einem akzeptablen
Rahmen zu halten, wurde die benötigte Zahl der Iterationen durch die Nutzung einer bereits
gut konvergierten Startlösung reduziert. Zusätzlich konnten beide Betriebspunkte parallel berechnet
werden, so dass sich auf einem der hausinternen Cluster eine Gesamtzeit von etwa zwei
Stunden für die vollständige Evaluierung eines Konturierungsentwurfes ergab. Diese Zeitangabe
beinhaltet auch die Netzerzeugungs- und Auswertungsprozesse.
Aus der Datenbank mit CFD-Ergebnissen wurde im zweiten Block des Auslegungsprozesses eine
RBF-(Radial Basis Function) Antwortfläche generiert. Der RBF-Ansatz eignet sich gut zur
Approximation von Funktionen mit vielen Eingabeparametern und in Fällen, wo die Stützstellen
mehr oder weniger zufällig über den gesamten Parameterraum verstreut sind [174]. Er
wurde daher ausgewählt. Der anschließende Suchlauf mit Hilfe des Optimerungsalgorithmus
ARMOGA (Adaptive Range Multi-Objective Genetic Algorithm) wurde dann auf dieser Antwortfläche
durchgeführt [175]. Bei diesem an die natürliche Evolution angelehnten Optimierungsansatz
werden zu einer Anfangspopulation gehörende Entwurfsvarianten, die sogenannten Individuen,
über mehrere Generationen hinweg anhand der Prinzipien der Selektion, Mutation
und Rekombination verändert, um zu einer laut den Entwurfskriterien optimalen Lösung zu gelangen.
Der Algorithmus benötigt vergleichsweise viele Evaluierungen verschiedener Entwürfe,
ist aber in der Lage, sowohl lokale als auch globale Optima zu finden.
42 8. Numerische Methoden