Numerische Optimierung dreidimensional parametrisierter ...
Numerische Optimierung dreidimensional parametrisierter ...
Numerische Optimierung dreidimensional parametrisierter ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
In der Praxis finden sich zahlreiche <strong>Optimierung</strong>salgorithmen, die aus den oben aufgeführten<br />
Methoden die verschiedensten Mischformen bilden. So wird versucht, stochastische und deterministische<br />
Elemente geschickt zu kombinieren und dabei mit den verschiedenen Restriktionsbehandlungen<br />
zu kombinieren. Ein kleiner Überblick über die verschiedenen Verfahren kann<br />
z. B. aus Frank et al. 1992 [23] und Schwarz 1992 [64] entnommen werden.<br />
Antwortflächen-Verfahren wurden im Rahmen dieser Arbeit nicht untersucht. Sie können beim<br />
Aufbau eines Verfahrens zu zusätzlichen Unsicherheiten führen, die sich einzeln erst mit einer<br />
erprobten Auslegungskette gezielt untersuchen lassen. Bei zweidimensionalen Auslegungen<br />
kommen diese Verfahren bereits vermehrt zum Einsatz. Die hier untersuchten <strong>dreidimensional</strong>en<br />
Zielfunktionen werden, im Unterschied zur zweidimensionalen Zielfunktion41 , normalerweise<br />
für jeden Einzelfall zur Bewertung der <strong>dreidimensional</strong>en Strömungsphänomene<br />
speziell zusammengestellt. Das Lernen der Antwortfläche muß daher meist von Null beginnen<br />
und kann nicht einer Datenbasis entnommen werden, wenn nicht alle <strong>dreidimensional</strong>en<br />
Ergebniswerte archiviert werden. Die so aus nur wenigen Stützpunkten zwischen den einzelnen<br />
Dimensionen aufgespannten approximierten z. B. polynomialen Flächen zeigen Schwächen<br />
bei der Extrapolation, aber auch zum Teil starke Überschwingungen bei exakter<br />
Approximation zusätzlicher interpolierter Punkte. Vielversprechende Ansätze gehen dahin, bei<br />
einem Datenbasiszugriff nur aus benachbarten Datenpunkten lokale Antwortflächen zu bilden<br />
und dabei keine Extrapolation zuzulassen. Nur wenige mittels der Datenbasis als beste detektierte<br />
Datenpunkte, und die außerhalb der bisherigen Fläche liegenden Punkte, werden durch<br />
Zielfunktionsaufruf berechnet und dienen der Ergänzung der Datenbasis. Eine Verbesserung<br />
der Interpolation bei der Bildung der Antwortflächen soll durch den Einsatz der radial basis<br />
network Methode erreichbar sein. Kriging stellt ein stochastisches Verfahren der Auswertung<br />
der Datenbasis dar. Jeder Antwortflächenzugriff liefert dabei neben dem Zielfunktionswert<br />
sein zu erwartendes Verbesserungspotential (Gauss-Verteilung).<br />
Pierret 1999 [55] hat sich in seiner Arbeit sehr umfassend mit dem Einsatz neuronaler Netze<br />
befaßt. Er stellt einige erfolgreiche zweidimensionale aber auch schon erste <strong>dreidimensional</strong>e<br />
aerodynamische <strong>Optimierung</strong>en mit dieser Technik vor. Gekoppelt mit genetischen Algorithmen<br />
und dem Verfahren der simulierten Abkühlung verwendet er das neuronale Netz als zu<br />
trainierende Datenbasis. Eine ebenfalls sehr umfassende Arbeit der Anwendung der Kombination<br />
von genetischen Algorithmen und neuronalen Netzen zur zweidimensionalen aerodynamischen<br />
<strong>Optimierung</strong> von Profilen wurde von Uelschen 2000 [74] vorgestellt. Die<br />
Profilgeometrie wird dabei durch Modifikation der Stützpunkte einer Bézier Kurvenbeschreibung<br />
parametrisiert. LaMarsh et al. 1992 [45] nutzen ein neuronales Netz zur <strong>Optimierung</strong><br />
einer Rotorbeschaufelung. Zur Begrenzung der Trainingszeit des neuronalen Netzes, das die<br />
41. Als Zielfunktion bei zweidimensionalen Auslegungen wird meist nur ein integraler Gütebeiwert, wie z. B.<br />
der integrale Totaldruckverlust oder die Entropiezunahme, bewertet.<br />
59