Studentische Case Study und Gastvorlesung Everllence
Die Case Study wurde in Prof. Dr. Thomas Bartz-Beielsteins Vorlesung “Optimization of Technical Systems” im Masterstudiengang “Automation and IT” der Fakultät für Informatik und Ingenieurwissenschaften der TH Köln durchgeführt. Das Thema der Case Study lautete:
“Modelling of a Neural Network Based Surrogate of Amplitude Simulations to Reduce R&D Costs in Turbo Charger Development” und wurde in Zusammenarbeit mit der Firma Everllence (vorm. MAN Energy Solutions) durchgeführt.
Studierende präsentierten die Ergebnisse der Case Study. Es gab fünf Gruppen, die an der Case Study gearbeitet haben. Die Studierenden haben ihre Ergebnisse in Form von Vorträgen präsentiert.
Die Themen der Vorträge lauteten (die Namen der Studierenden sind in Klammern angegeben):
- Modelling of a Recurrent Neural Network based on Surrogate of Amplitude Simulation (Sonal Rajendra Palrecha, Milankumar Hareshbhai Mavani, Rishikesh Ravikiran Tiwari)
- Case Study: Evaluating Machine Learning as a Cost-Effective Alternative to Turbocharger Testing Simulations (Priti Bhunia, Mariam Saki)
- Optimization of Technical Systems (Kumpal Khokhariya, Navya Thirakala, Venkatasumadhar Pabolu)
- Neural Network-Based Analysis of Turbocharger Resonance: GRU, LSTM, and Combined Models (Suheb Khan, Nouman Ahmad, Muhammad Ali)
- Optimization of Technical Systems ( Ruohan Wang, Szu-Yu Liu, Vekil Bekmyradov)
Diese Case Studies untersuchen den Einsatz von Machine Learning (ML) und Deep Learning (DL), um kostspielige und zeitaufwändige traditionelle Methoden zur Messung und Simulation von Vibrationen in Turbochargern zu ersetzen. Die Vorhersage maximaler Vibrationsamplituden ist entscheidend, um mechanische Ausfälle zu verhindern.
Die herkömmliche Verwendung von Dehnungsmessstreifen ist teuer und zeitaufwändig und stößt an räumliche Grenzen, insbesondere an komplexen Geometrien wie Turbinenschaufeln. Numerische Simulationen wie Finite-Elemente-Analyse (FEA) oder Computational Fluid Dynamics (CFD) sind zwar präzise, erfordern jedoch erhebliche Rechenressourcen und Zeit, insbesondere bei der Bewertung verschiedener Designkonfigurationen.
Um diese Herausforderungen zu überwinden, evaluierten die Studenten verschiedene ML- und DL-Modelle zur Vorhersage der Amplitude basierend auf Betriebs- und Designparametern wie Anregungsordnung, Moden und Knotendurchmesser.
Die Studien demonstrieren das Potenzial von Machine-Learning-Modellen, Turbocharger-Vibrationen effektiv und mit hoher Genauigkeit vorherzusagen, und bieten kostengünstige, schnellere Alternativen zu traditionellen Methoden. Modelle wie XGBoost, CatBoost und spezifische Hybridansätze haben sich als vielversprechend erwiesen. Zukünftige Entwicklungen könnten Physics-Informed Neural Networks (PINNs) oder die Nutzung größerer Datensätze umfassen, um die Genauigkeit und Interpretierbarkeit weiter zu verbessern.
Gastvorlesung Everllence ES (vorm. MAN-ES)
Anschließend hielt Christoph Leitenmeier eine Gastvorlesung zum Thema “High Cycle Fatigue (HCF) in industrial applications”. C. Leitenmeier stellte die Herausforderungen und Lösungen in industriellen Anwendungen vor, insbesondere im Kontext von Turbochargern.
Christoph Leitenmeier ist Head of Aerodynamics bei Everllence (https://www.everllence.com), vormals MAN Energy Solutions (MAN-ES), in Augsburg. Seine Karriere bei MAN Energy Solutions begann bereits im Oktober 2008 als Project Engineer. Zuvor sammelte er als Project Engineer bei der Thermotec Engineering Services GmbH in Garching/München Berufserfahrung.
Kooperation der TH Köln mit Everllence
Diese Präsentation sind Teil einer langjährigen Kooperation zwischen der TH Köln und Everllence, die darauf abzielt, Studierende in realen industriellen Herausforderungen auszubilden. Aktuell werden gemeinsame Forschungs- und Promotionsprojekte (u.a. mit der RWTH Aachen und der Universität Stuttgart sowie weiteren Industriepartnern) vorbereitet, um die Zusammenarbeit weiter zu vertiefen.