Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau

Transkript

1 Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau

2 Vorgestellt vom Akkreditierten Forschungsschschwerpunkt Computer Simulation im Maschinenbau

3 Motivation Energieeffizienz Komplexe physikalische Zusammenhänge Hohe Kosten für Computersimulationen Effektive Optimierungsstrategien sind essentiell!

4 Unsere aktuellen 5 Projekte aus dem Turbomaschinenbau 1. Gasturbinenprozess analytische Kompetenz 2. Kompressorkennlinie 3. Turbinenschaufel numerische Komplexität 4. Turbolaufrad 5. Windanlage

5 Der Entwicklungsaufwand für die 5 Beispiele 4. Turbolaufrad Aufwand 2. Kompressorkennlinie 5. Windanlage 1. Gasturbinenprozess 3. Turbinenschaufel numerische Komplexität

6 Nur 3 Beispiele werden vorgestellt 2. Kompressorkennlinie 4. Turbolaufrad 5. Windanlage

7 Beispiel 2 Designoptimierung eines Radialkompressors mit analytischen Verlustmodellen

8 Unser Kompressor

9 Das analytische Verlustmodell

10 Fachhochschule Validiert mit CFX: Das Netz 50 Mio. Knoten für die Maschine

11 Vergleich Analytik 1-D mit CFD Druckverhältnis 2,5 2 1,5 1 Druckverhältnis bezogen auf den Maschineneintritt Nach Plattendiffusor Nach Laufrad CFD 1-D 3,5 4 4,5 5 5,5 6 Stufenmassenstrom, m in kg/s 100% Der analytische Ansatz liefert erstaunlich brauchbare Resultate! Polytroper Wirkungsgrad des Laufrades und der Stufe Laufrad Sogar für die Kennlinie! 90% Polytroper Wirkungsgrad 80% 70% Stufe CFD 1-D 3,5 4 4,5 5 5,5 6 Stufenmassenstrom, m in kg/s

12 Die Optimierung Ein Betriebspunkt ist in wenigen Sekunden berechnet Deshalb der Entscheid: Direkte Optimierung als Algorithmus Evolutionärer Algorithmus

13 Das Resultat Die Praxis verlangt nicht nur nach einem Optimaldesign für einen Betriebspunkt Vielmehr ist der Betriebsbereich wichtig Der Gewinn ist gewaltig: Es wurden drei Ziele erreicht! Leider: Es liegt nur das Design vor. Die Detailgeometrie ist noch nicht definiert.

14 Beispiel 4 Geometrieoptimierung eines Radialverdichterlaufrades mit gekoppelter CFD und FEM Analyse

15 Die Herausforderungen Strömungsmechanisch hoch belastete Betriebsdaten Druckverhältnis bei 2,4 kein Überschall zugelassen Sehr komplexes Strömungsfeld Strukturmechanisch an der Grenze Designfehler haben katastrophale Folgen

16 Beispiele für Laufradschäden

17 Die Optimierungssituation Das strömungsmechanisch gute Startdesign besitzt extrem hohe Spannungen Optimierungsziel: Spannungsreduktion bei Erhalt der guten aerodynamischen Eigenschaften!

18 Zur Erklärung eines Sektors

19 Die Modellbildung 29 Geometrieparameter Jede beliebige Laufradform kann modelliert werden!

20 Die Geometrievarianten als Videoanimation

21 Der Prozess FEM Simulationen parallel auf mehreren Workstations CFD Berechnungen parallelisiert auf LiDong Cluster durchgeführt (1778 Cores)

22 Sensitivitätsanalyse Reduktion der relevanten Parameter von 29 auf 14!

23 Die Optimierungsstrategie Startgeometrie N= U/min Sensitivität (N= U/min) BD Opti_01 (N= U/min) BD Opti_03 N= U/min BD Opti_02 N= U/min BD Vergleich BD N= U/min Optimum

24 Ergebnis: Strömung Startgeometrie Optimalgeometrie

25 Ergebnis: Spannungen Startgeometrie Optimalgeometrie

26 Fazit Das optimale Laufrad mit insgesamt 560 Samples Mach = 0,95 σ = 416 MPa Π = 2,4 η = 84 %

27 Quo Vadis??

28 Beispiel 5 Kennfeldvorhersage einer Windanlage mit vertikaler Achse

29 Die vertikale Windanlage Vorteile von Vertikalachsenwindturbinen: Einfacheres Konstruktionsprinzip geringere Kosten Unabhängig von der Windrichtung Gute Effizienz bei niedrigen Windgeschwindigkeiten

30 Die Modellbildung

31 Die Vernetzung bis zu 120m bis zu 80m bis zu 10m 100 bis 700mm Stark unterschiedliche Skalen müssen vom Netz abgebildet werden - Hohe Knotenzahlen

32 Der Optimierungsprozess Design Parameter 2D Profil Erstellung Ergebnisse Geometrie und Netz Erstellung, CFD Berechnung 2D Profil

33 Zur Simulation Transiente Simulationen sind erforderlich! 5 Tage Rechenzeit für einen Design Punkt 200 Design Punkte 25 Workstations sind 3 Monate gelaufen

34 Das instationäre Strömungsfeld Windrichtung

35 Moving Least Square Approximation basierend auf dem Meta Model of optimal Prognosis(MoP) von optislang Extrem gute CoP Für den Leistungsbeiwert ist der CoP = 91%!

36 Validierung des Metamodelles durch einzelne CFD-Simulationen Kennlinie vorhergesagt durch das MOP CFD-Simulation

37 Validierung des Metamodells durch eine ausgeführte Anlage Kennlinie vorhergesagt durch das MOP Gemessener Punkt Marsta-VAWT Uppsala

38 Kennlinien beliebiger(!) Windanlagen können nativ in optislang vorhergesagt werden und dass ohne weitere CFD Simulationen!

39 Vielen Dank!