Studienarbeit, Masterarbeit: Maschinelles Lernen für instationäre Aerodynamik (w/m/d)

The Institute of Aerodynamics and Flow Technology is the German Aerospace Center’s (DLR) central facility for fluid mechanics. Using numerical and experimental methods, we conduct research and development on key technologies to make the transportation systems and wind turbines of the future more climate-friendly and energy-efficient.

Join Us

The main activity of the C²A²S²E department is the development of numerical methods and processes for the multi-disciplinary simulation and optimization of aircraft - from flight physics design to virtual certification.

Was Sie erwartet

Die numerische Untersuchung dynamischer Reaktionen auf atmosphärische Turbulenzen sowie auf struktur- und flugdynamische Anregungen ist eine wichtige Aufgabe im Rahmen des Flugzeugentwurfs und der Zertifizierung. Hierfür sind effiziente Verfahren mit hoher Genauigkeit wünschenswert, da große Parameterräume (beispielsweise Machzahl, Flughöhe, Lastfall und Böenform) abgedeckt werden müssen.

Der aktuelle Industriestandard ist das lineare Frequenzbereichsverfahren (Linear Frequency Domain, LFD). Dieses berechnet aerodynamische Reaktionen mittels numerischer Strömungsmechanik (Computational Fluid Dynamics, CFD) durch Linearisierung der Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS) um eine stationäre Lösung. Dies ermöglicht zwar effiziente Simulationen, die stationäre aerodynamische Nichtlinearitäten wie Verdichtungsstöße und Grenzschichtablösungen bei transsonischen Flugbedingungen berücksichtigen, jedoch ist die Methode nur um den Linearisierungspunkt herum gültig. Sie berücksichtigt keine instationären Nichtlinearitäten und ist zudem rechentechnisch aufwendig, wenn sehr viele Lösungen benötigt werden.

Um dynamische Nichtlinearitäten, z.B. aufgrund von Böen mit großer Amplitude, zu erfassen, sind Simulationen im Zeitbereich erforderlich. Die Lösung der instationären Reynolds-gemittelten Navier-Stokes-Gleichungen (URANS) ist eine mögliche Option, bringt jedoch einen Rechenaufwand mit sich, der das Verfahren unpraktikabel macht, wenn mehrere Parameterkombinationen von Interesse sind. Daher wird nach einer Methode gesucht, die schnelle Vorhersagen der Oberflächenströmung um ein Objekt für die beschriebene Problemstellung ermöglicht. Graph Neural Ordinary Differential Equations (GNODE) sind ein Verfahren aus dem Bereich des maschinellen Lernens, welches schnelle Vorhersagen für instationäre Aerodynamik im Zeitbereich erlaubt. Die Anwendung des Verfahrens für rein transiente Problem wie Böen ist noch nicht erprobt.

Ihre Aufgaben

Eine Konkrete Aufgabenbeschreibung Kann Nach Rücksprache Unter Berücksichtigung Der Art Der Arbeit (Bachelorarbeit / Masterarbeit / Studienarbeit), Zeitlicher Rahmenbedingungen Etc. Formuliert Werden. Zu Den Hauptpunkten Gehören

• Literaturrecherche bezüglich der vorgeschlagenen Methode sowie anderer Ansätze
• Einarbeitung in die Surrogate-Modellierungsmöglichkeiten innerhalb von SMARTy mit Schwerpunkt auf Neural ODEs und GNNs.
• Versuchsplanung (Design of Experiments) und Datenerzeugung mittels URANS für eine Datenbank mit Böensimulationen.
• Untersuchung der vorgeschlagenen Methodik für Böenlasten.
• Optimierung des Ansatzes auf Basis der gewonnenen Erkenntnisse.

Ihr Profil

• Fundierte Kenntnisse in Python
• Interesse an Aerodynamik
• Immatrikulierter Studierender auf der Suche nach einem Thema für eine Abschlussarbeit (gerne an der TU Braunschweig)
• Erfahrung im Bereich Machine Learning (ML)
• Erfahrung mit numerischer Strömungsmechanik (CFD)
• Kenntnisse im Bereich der instationären Aerodynamik

Wir freuen uns darauf, dich kennenzulernen!

Fragen Zu Dieser Position (Kennziffer 5918) Beantwortet Dir Gerne

Prof. Dr. Stefan Görtz

Tel.: +49 531 295 3357