Axel Zimmermann

Der Übergang zur wasserstoffbasierten Verbrennung in Gasturbinen und Flugzeugtriebwerken ist für den Kampf gegen den Klimawandel von entscheidender Bedeutung, da dadurch deren Treibhausgasemissionen verringert werden. Allerdings stellt die Entwicklung dieser Technologie eine Herausforderung dar, da oft thermoakustische Instabilitäten auftreten. Diese Instabilitäten entstehen durch die Wechselwirkung einer Flamme mit der Akustik des Systems. Sie erzeugen starke Druckwellen, die die Gasturbine oder das Flugzeugtriebwerk beschädigen oder sogar zerstören können.

Traditionell wurden diese Instabilitäten mittels CFD-Simulationen (Computational Fluid Dynamics) analysiert, die es auch ermöglichten sie frühzeitig zu erkennen und zu vermeiden. CFD-Simulationen sind zumeist sehr präzise, benötigen aber umfangreiche Rechenkapazitäten und Zeit, was eine schnelle Entwicklung erschwert.

In den letzten Jahren hat sich das maschinelle Lernen (ML) in zahlreichen technischen Bereichen etabliert. Unter anderem ist es ein vielversprechendes Instrument, um mithilfe vorhandener Daten das thermoakustische Verhalten eines Systems vorherzusagen. Die praktische Anwendung von ML in der Thermoakustik stellt jedoch eine Herausforderung dar, da die Daten oft spärlich und verrauscht sind. Dadurch stellt sich die Frage nach der Zuverlässigkeit und Genauigkeit von ML-Vorhersagen. In der Thermoakustik birgt dies eine Gefahr, da zuverlässige Vorhersagen für die Sicherheit und Leistung der Systeme von entscheidender Bedeutung sind.

Um diese Herausforderungen zu bewältigen, planen wir, physikalisches Vorwissen in den ML-Ansatz zu integrieren. Unsere Methodik fokussiert sich auf drei zentrale Aspekte:

1. Wir analysieren, welche Daten für das Verständnis des thermoakustischen Verhaltens am aussagekräftigsten sind. Das Ziel besteht darin, die ML-Modelle mit möglichst wenig, aber gleichzeitig qualitativen Datensätzen zu trainieren. Es wird auch geprüft, ob Daten aus ähnlichen Problembereichen dazu beitragen können, die Menge der benötigten problemspezifischen Daten zu verringern.
2. Wir konzentrieren uns auf das Design des ML-Modells selbst. Wir erforschen unterschiedliche Architekturen und Methoden und bewerten sie hinsichtlich ihrer Genauigkeit, Zuverlässigkeit und Interpretierbarkeit. Besonders vielversprechend sind Bayes’sche Neuronale Netze (BNN), welche (physikalische) a-priori Information über die Modellparameter berücksichtigen. Auch können sie die Unsicherheit sowohl in den Modellparametern als auch in den resultierenden Vorhersagen auf natürliche Weise abbilden.
3. Wir untersuchen die Anwendung von physikalischen Verlustfunktionen. Diese Verlustfunktionen ermöglichen es, physikalische Gleichungen und Randbedingungen direkt in das Modelltraining zu integrieren. Dies stellt sicher, dass die Modellvorhersagen die zugrunde liegende Physik erfüllt. Auch können sie dazu beitragen, die benötigte Datenmenge für das Training zu reduzieren.