Entwicklung flexibel operierender Pumpensysteme für hohe Druckverhältnisse, Temperatur- und Mengenschwankungen, Teilvorhaben: Kennlinienvorhersage und Teillaststabilisierung mit künstlicher Intelligenz

Description: Mittels CFD-Simulationen kann die Performance einer Kreiselpumpe (Förderhöhe, Wirkungsgrad, NPSH in Abhängigkeit des Volumenstroms) für den Auslegungspunkt und kleinen Abweichungen von ihm in der Regel gut ermittelt werden. Mit zunehmenden Abweichungen vom Auslegungspunkt nimmt die Qualität der CFD-Simulation ab, d.h. dass die Unterscheide zwischen CFD-Daten und Messergebnissen zunehmen. In diesem Teilprojekt soll mittels einer KI-Anwendung diese mangelnde Qualität der CFD-Ergebnisse für den Teil- und Überlastbereich kompensiert werden. Dazu sollen bereits vorhandene CFD-Daten und Ergebnisse von Performance-Messungen an Kreiselpumpen genutzt werden, um eine KI-Anwendung zu trainieren. Zusätzliche Ergebnisse von CFD-Simulationen und Performance-Messungen an Kreiselpumpen sollen im Projekt durchgeführt werden und fehlende Trainingsdaten geeignet ersetzen. Nach Beendigung des Trainingsprozesses soll eine KI-Anwendung zur Verfügung stehen, die es ermöglicht, auch für den extremen Teil- und Überlastbereich Kennlinien mit einer hohen Qualität zu erhalten. Die Forschungsfragen, die sich bezüglich dieser Zielsetzungen ergeben, beinhalten die Auswahl und Aufbereitung von CFD-Daten und Ergebnissen von Performance-Messungen. Im Teillastbereich nimmt die Komplexität der Strömungsphänomene erheblich zu und es können die sogenannten Kennlinienstabilitäten auftreten, die für Gliedergehäuse- und Spiralgehäusepumpen einen unterschiedlichen Charakter besitzen, was bei der KI-Anwendung berücksichtigt werden muss. Die KI-Anwendung entspricht einem Deep Learning Ansatz bestehend aus einem neuronalen Netz, dessen Topologie geeignet gewählt werden muss. Dazu gehört die Festlegung der Knoten der Eingangsschicht, die Anzahl der 'Hidden Layers' und die Anzahl der jeweiligen Knoten der 'Hidden Layers'. Die Knoten der Ausgangsschicht bestimmen die Auflösung der resultierenden Kennlinie. Die KI-Anwendung soll mit der institutseigenen Software Deep-SAM-Learning (D-SAM-L) entwickelt werden.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Kreiselpumpe ? Software ? Künstliche Intelligenz ? Wirkungsgrad ?

Region: Rheinland-Pfalz

Bounding boxes: 7.5° .. 7.5° x 49.66667° .. 49.66667°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Wirtschaft und Energie (Geldgeber*in)
• Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau, Lehrstuhl für Strömungsmaschinen und Strömungsmechanik (Betreiber*in)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2022-10-01 - 2025-09-30

Alternatives

• Language: Englisch/English
  Title: Subproject: Characteristic curve prediction and partial load stabilization with artificial intelligence
  Description: Using CFD simulations, the performance of a centrifugal pump (head, efficiency, NPSH as a function of volume flow) can usually be determined well for the design point and small deviations from it. With increasing deviations from the design point, the quality of the CFD simulation decreases, i.e. the differences between CFD data and measurement results increase. In this subproject, an AI application is to be used to compensate for this lack of quality in the CFD results for the partial and overload range. For this purpose, already existing CFD data and results of performance measurements on centrifugal pumps will be used to train an AI application. Additional results of CFD simulations and performance measurements on centrifugal pumps are to be carried out in the project and suitably replace missing training data. After completion of the training process, an AI application shall be available that allows to obtain characteristic curves with a high quality even for the extreme partial and overload range. The research questions that arise with respect to these objectives include the selection and processing of CFD data and results of performance measurements. In the part-load range, the complexity of the flow phenomena increases significantly and the so-called characteristic stabilities can occur, which have a different character for limb casing and volute casing pumps, which must be taken into account in the AI application. The AI application corresponds to a Deep Learning approach consisting of a neural network whose topology must be suitably chosen. This includes determining the nodes of the input layer, the number of 'hidden layers' and the number of respective nodes of the 'hidden layers'. The nodes of the output layer determine the resolution of the resulting characteristic curve. The AI application is to be developed using the institute's own Deep SAM Learning (D-SAM-L) software. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1122196

Status

Aktiv

Quality score

• Overall: 0.47
• Findability: 0.54

  • Title: 0.00
  • Description: 0.23
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.