Entwicklung von Gasturbinen-Brennkammern durch künstliche Intelligenz und maschinelles Lernen

Im Rahmen der AG Turbo beschäftigt sich die Gruppe Robuste Turbomaschinen für den flexiblen Einsatz (RoboFlex) der TU Berlin mit der Weiterentwicklung von Gasturbinenbrennkammern, um diese für neue Anforderungen weiterzuentwickeln. Die ursprünglich für einen Arbeitspunkt ausgelegten Gasturbinen müssen heute im Verbund mit den erneuerbaren Energien neue Fahrweisen bewerkstelligen, um Netzschwankungen auszugleichen und Versorgungssicherheit gewährleisten zu können. So erhöht sich nicht nur die Anzahl der Start- und Stopp-Zyklen für vorhandene Kraftwerke, sondern werden die Turbinen auch immer stärker außerhalb ihres Auslegungspunktes betrieben. Aus dieser geänderten Betriebsweise ergeben sich neue Anforderungen an den Verbrennungsprozess in den Maschinen. Die Arbeit der Gruppe ist in drei Teilprojekte unterteilt, die diese Ziele mit verschiedenen Herangehensweisen bearbeiten.

Maschinelles Lernen und die Anpassung von Modellen durch künstliche Intelligenz haben in den letzten Jahren vor allem durch immer mehr verfügbare Rechenkapazität einen Entwicklungsschub erfahren und finden auch in den verschiedensten Bereichen der Wissenschaft immer mehr Anwendung. Im Rahmen des Projektes sollen in Kooperation mit dem FG Experimentelle Strömungsmechanik diese modernen Methoden auf die Entwicklung von modernen Brennkammern angewandt werden. Übergeordnetes Ziel ist dabei die Reduktion von Emissionen schädlicher Verbrennungsbeiprodukte sowie die Erhöhung des Betriebsbereiches der Maschinen.

In diesem Projekt werden vollständig oder teilweise datengetriebene Methoden aus den Bereichen Machine Learning, Systemidentifikation und nicht-linearer Optimierung angewandt und in verschiedene Entwicklungsschritte von Brennkammersystemen involviert. Ziel ist neben dem Entwicklungsprozess selbst, das Finden von Methoden, um daten- und theoriebasierte Ansätze zu verbinden. Für die automatisierte, experimentelle Optimierung wird ein Versuchsstand aufgebaut und ein speziell variabler Brenner entwickelt und mittels 3D-Druck gefertigt. Es soll dann ein automatisch laufender Testprozess entwickelt werden, in dem optimale Betriebskonfigurationen gefunden werden. Dabei finden verschiedene Datengetriebene Optimierungsmethoden aus dem Bereich der nicht-linearen und stochastischen Optimierung Anwendung. Methoden des maschinellen Lernens werden zusätzlich eingesetzt, um Ersatzmodelle zu bilden und den Prozess zu beschleunigen. Weitere Anwendung von ML-Methoden sind in der Datenauswertung der Messdaten geplant. In verschiedenen Vorstudien wird die Vorgehensweise sowohl an numerischen Modellen als auch an einem generischen, nicht reagierenden Experiment entwickelt und getestet. Die entwickelten Optimierungsstrategien können später auch auf andere Versuchsstände und numerische Modelle angewendet werden, um dort den Forschungsprozess zu beschleunigen.

Erste Tests verschiedener Methoden der datengetriebenen Optimierung im Bereich der Thermoakustik wurden an einem stark vereinfachten numerischen Modell einer Brennkammer durchgeführt. Dazu wurde das Modell eines sog. Rijke-Rohrs angepasst, um Charakteristiken des späteren Experimentes abzubilden und spezifische Anforderungen an die Algorithmen zu identifizieren. Die Untersuchungen sind in Publikation 1 dokumentiert.

Um den Entstehungsprozess von Stickoxidemissionen besser zu verstehen und den Einfluss der Mischungsgüte auf die Emissionen einschätzen zu können, wurde ein Low-order-Modell entwickelt. Dieses nutzt die Ergebnisse numerischer Large Eddy Simulationen in Kombination mit detaillierteren chemischen Modellen, um den Einfluss verschiedener Parameter auf die Emissionen abzubilden. In späteren Versuchen soll es genutzt werden, um Ergebnisse der automatisierten Optimierung analysieren zu können. Details dazu sind in Publikation 2 zu finden.

Das System zur Anwendung von Optimierungsmethoden wird derzeit an einem Strömungsexperiment entwickelt. Die Interaktion von Soft- und Hardware wurde erfolgreich in Betrieb genommen, so dass jetzt verschiedene Algorithmen getestet werden können.