Entwurf und Herstellung einer Strömungsmaschinenschaufel

Die Erfindung betrifft ein Verfahren zum Entwerfen einer Strömungsmaschinenschaufel. Des Weiteren betrifft die Erfin dung ein Verfahren zum Herstellen einer Strömungsmaschinen schaufel. Ferner betrifft die Erfindung eine Rechnereinheit sowie ein maschinenlesbares Speichermedium.

Das Entwerfen einer Strömungsmaschinenschaufel ist ein kom plexer Prozess. Dies ist unter anderem darauf zurückführbar, dass einerseits für die Charakterisierung einer Strömungsma schinenschaufel typischerweise ein Mehrzahl von Schaufelpara metern benötigt wird und die zu entwerfende Strömungsmaschi nenschaufel unterschiedlichen Randbedingungen (insbesondere aus verschiedenen Fachdisziplinen, wie Fluiddynamik, Festig keit, Wärmetechnik etc.) genügen soll und andererseits oft mals nur geringes explizites Wissen über die meist komplexen Zusammenhänge/Abhängigkeiten zwischen den geforderten Randbe dingungen und den Schaufelparametern, durch welche sich die Randbedingungen einhalten lassen, vorliegt.

Künstliche neuronale Netze haben sich in zahlreichen techni schen Gebieten dabei bewährt, selbständig (anhand von Trai ningsdaten) komplexe Zusammenhänge/Abhängigkeiten zwischen verschiedenen Parametern zu erlernen. Insbesondere kann ein (trainiertes) künstliches neuronales Netz dazu genutzt wer den, Schaufelparameter einer Strömungsmaschinenschaufel vor herzusagen, mit denen sich gewünschte Randbedingungen einhal ten lassen.

Verfahren zum Entwerfen von Strömungsmaschinenschaufeln, ins besondere von Turbinenschaufeln, sind beispielsweise in dem Tagungsbericht „A Neural Network Aero Design System for Advanced Turbo-Engines" von Jose M. Sanz (abrufbar unter: https : //ntrs . nasa . gov/search . j sp?R=l 9990019840 ) sowie in dem Artikel „The Development of Highly Loaded Turbine Rotating Blades by Using 3D Optimization Design Method of Turbomachinery Blades Based on Artificial Neural Network & Genetic Algorithm" von Fan-zhen Zhou et al . (veröffentlicht in Chinese Journal of Aeronautics Vol. 16 No. 4) offenbart.

Eine Aufgabe der Erfindung ist es, das auf der Verwendung von neuronalen Netzen beruhende Entwerfen einer Strömungsmaschi nenschaufel sowie insbesondere die auf einem solchen Ent wurfsprozess basierende Herstellung einer zu Strömungsmaschi nenschaufel verbessern.

Diese Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren nach Anspruch 1, durch ein Verfahren nach Anspruch 13, durch eine Rechnereinheit nach Anspruch 14 sowie durch ein maschi nenlesbares Speichermedium nach Anspruch 15.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der weiteren Patentansprüche sowie der nachfolgenden Be schreibung .

Bei dem erfindungsgemäßen Verfahren zum Entwerfen einer Strö mungsmaschinenschaufel werden vorgegebene Eingabeparameter an ein neuronales Netzwerksystem übermittelt. Von dem neuronalen Netzwerksystem werden Schaufelparameter anhand der übermit telten Eingabeparameter ermittelt und ausgegeben. Erfindungs gemäß ist vorgesehen, dass das neuronale Netzwerksystem meh rere separate neuronale Netze mit jeweils einer Ausgabe schicht aufweist, von denen jedes einen oder mehrere der Schaufelparameter ermittelt und über seine Ausgabeschicht ausgibt. Zu den separaten neuronalen Netzen des neuronalen Netzwerksystems gehören ein erstes neuronales Netz sowie ein zweites neuronales Netz. Weiter ist erfindungsgemäß vorgese hen, dass der/die Schaufelparameter, der/die von dem ersten neuronalen Netz ermittelt und über dessen Ausgabeschicht aus gegeben wird/werden, von dem/den Schaufelparameter/-n, die von dem zweiten neuronalen Netz ermittelt und über dessen Ausgabeschicht ausgegeben wird/werden, verschieden ist/sind. Anders ausgedrückt, die Erfindung sieht vor, die zu ermit telnden Schaufelparameter von getrennten neuronalen Netzen (also nicht sämtliche zu ermittelnden Schaufelparameter von demselben neuronalen Netz) ermitteln zu lassen. Dadurch hat das jeweilige neuronale Netz des neuronalen Netzwerksystems - verglichen mit dem Fall, dass sämtliche der Schaufelparameter von demselben neuronalen Netz ermittelt werden - weniger (un terschiedliche) Schaufelparameter zu ermitteln und es kann eine Verbesserung der Vorhersagegenauigkeit der vom neurona len Netzwerksystem ermittelten Schaufelparameter bzw. eine Verringerung der (Vorhersage- ) Fehler der vom neuronalen Netz werksystem ermittelten Schaufelparameter erzielt werden.

Die „Vorhersagegenauigkeit" eines vom neuronalen Netzwerksys tem ermittelten Schaufelparameters bezieht sich vorliegend darauf, wie nah der Wert des vom neuronalen Netzwerksystem ermittelten Schaufelparameters am optimalen Schaufelparame terwert liegt, mit dem sich die geforderten Eingabeparameter am besten realisieren lassen. Je näher der Wert des vom neuronalen Netzwerksystem ermittelten Schaufelparameters am optimalen Schaufelparameterwert liegt, desto höher ist die Vorhersagegenauigkeit dieses Schaufelparameters (und desto geringer ist dessen (Vorhersage- ) Fehler) .

Des Weiteren ermöglicht die auf getrennte neuronale Netze aufgeteilte Schaufelparameter-Ermittlung, physikalisch ver wandte Schaufelparameter (wie zum Beispiel verschiedene Di ckenparameter) mithilfe desselben neuronalen Netzes zu ermit teln, während andere Schaufelparameter, die miteinander ver wandt sind, (wie zum Beispiel verschiedene Krümmungsparame ter) mithilfe eines anderen neuronalen Netzes des neuronalen Netzwerksystem ermittelt werden. Das heißt, die Aufteilung der Schaufelparameter-Ermittlung auf verschiedene neuronale Netze kann problemspezifisch unter Berücksichtigung physika lischer Zusammenhänge erfolgen. In solch einem Fall wirkt sich die auf getrennte neuronale Netze aufgeteilte Schaufel parameter-Ermittlung besonders vorteilhaft auf die Vorhersa gegenauigkeit der Schaufelparameter aus. Die neuronalen Netze des neuronalen Netzwerksystems sind künstliche neuronale Netze (engl, „artificial neural net- works") . Für einen besseren Lesefluss wird in der vorliegen den Beschreibung und in den Patentansprüchen der Begriff „künstlich" weggelassen.

Die zu entwerfende Strömungsmaschinenschaufel kann zum Bei spiel eine Turbinenschaufel oder Verdichterschaufel sein, insbesondere für eine Gasturbinenanlage.

Wie zuvor erwähnt, werden vom neuronalen Netzwerksystem bzw. dessen neuronalen Netzen Schaufelparameter ausgegeben. Das heißt, die Schaufelparameter stellen Ausgabeparameter des neuronalen Netzwerksystems bzw. seiner neuronalen Netze dar.

Schaufelparameter im Sinne der vorliegenden Erfindung sind solche Parameter, welche die Strömungsmaschinenschaufel an sich charakterisieren und/oder deren Anordnung/Ausrichtung in einem Schaufelkranz charakterisieren.

Zweckmäßigerweise hat jedes der neuronalen Netze des neurona len Netzwerksystems zusätzlich zu seiner Ausgabeschicht eine Eingabeschicht .

Die Eingabeparameter, die an das neuronale Netzwerksystem übermittelt werden, beziehen sich vorzugsweise auf gewünschte Randbedingungen für die Strömungsmaschinenschaufel, auf ge wünschte Randbedingungen für einen mehrere solche Strömungs maschinenschaufeln aufweisenden Schaufelkranz und/oder auf gewünschte Randbedingungen für eine (mithilfe der Schaufel bzw. des Schaufelkranzes zu realisierende) Fluidströmung.

Ferner können sich zumindest einige der Schaufelparameter auf einen Schaufelschnitt oder auf unterschiedliche Schaufel schnitte zwischen einem nabenseitigen Ende der Strömungsma schinenschaufel und einem nabenfernen Ende der Strömungsma schinenschaufel beziehen. Wie zuvor erwähnt, gehören zu dem neuronalen Netzwerksystem ein erstes neuronales Netz sowie ein zweites neuronales Netz. Zusätzlich kann das neuronalen Netzwerksystem mindestens ein weiteres neuronales Netz umfassen, welches einen oder mehrere Schaufelparameter ermittelt und über dessen Ausgabeschicht ausgibt, der/die von den Schaufelparametern, die von dem ers ten neuronalen Netz und dem zweiten neuronalen Netz ermittelt und werden, verschieden ist/sind.

Zweckmäßigerweise wird das jeweilige neuronale Netz des neuronalen Netzwerksystems vor der Ermittlung der Schaufelpa rameter mithilfe von Trainingsdaten trainiert.

Bei den Trainingsdaten handelt es sich vorzugsweise um eine unechte oder echte Teilmenge eines Grundtrainingsdatenbe stands. Der Grundtrainingsdatenbestand kann beispielsweise Daten umfassen, die bei früheren Entwürfen von Strömungsma schinenschaufeln und/oder bei früheren Optimierungen von Schaufelentwürfen gewonnen wurden. Mit anderen Worten, der Grundtrainingsdatenbestand kann Daten aus früheren Entwurfs und/oder Optimierungsprojekten umfassen. Diese Daten können insbesondere auf Messungen und/oder Simulationen beruhen.

Es ist vorteilhaft, wenn geprüft wird, ob der Grundtrainings datenbestand redundante Parameter enthält. Gegebenenfalls vorhandene redundante Parameter können sodann gefiltert wer den. Dadurch kann die Anzahl der zur Ermittlung der Schaufel parameter benötigten Eingabeparameter gering gehalten und die Topologie des neuronalen Netzwerksystems einfach gehalten werden. Darüber hinaus können die Trainingszeiten für die einzelnen neuronalen Netze kurz gehalten werden.

Vorteilhafterweise entsprechen die Trainingsdaten, die zum Trainieren der neuronalen Netze verwendet werden, dem Grund trainingsdatenbestand oder, falls der Grundtrainingsdatenbe stand redundante Parameter enthält, dem um die redundanten Parameter bereinigten Grundtrainingsdatenbestand. Die Überprüfung, ob der Grundtrainingsdatenbestand redundante Parameter enthält, kann beispielsweise mittels statistischer Methoden, insbesondere anhand von Pearson-Korrelationskoeffi- zienten, erfolgen. Bevor entschieden wird, ob ein Parameter aus dem Grundtrainingsdatenbestand nicht in die Trainingsda ten eingeht, wird vorzugsweise geprüft, ob dieser Parameter nicht nur aus statistischer Sicht, sondern auch aus physika lischer Sicht redundant ist. Dadurch kann vermieden werden, dass ein Parameter aus dem Grundtrainingsdatenbestand bloß deshalb nicht in die Trainingsdaten eingeht, weil ein zufäl liger statistischer Zusammenhang zwischen diesem Parameter und einem weiteren Parameter aus dem Grundtrainingsdatenbe stand festgestellt wurde.

Im Sinne der vorliegenden Erfindung kann ein Parameter aus dem Grundtrainingsdatenbestand insbesondere dann redundant sein, wenn zwischen diesem Parameter und einem anderen Para meter aus dem Grundtrainingsdatenbestand eine Korrelation, wie zum Beispiel ein linearer Zusammenhang, besteht. Zur Auf findung von Korrelationen zwischen Parameter aus dem Grund trainingsdatenbestand können beispielweise Verfahren wie „in- put merging" oder „adaptive feature selection by using mutual Information" genutzt werden.

Ferner ist es vorteilhaft, wenn nach dem Trainieren der neuronalen Netze des neuronalen Netzwerksystems und vor der Ermittlung der Schaufelparameter bei mindestens einem der neuronale Netze mittels eines Pruning-Verfahrens , wie zum Beispiel „optimal brain damage", „early brain damage" oder „inverse kurtosis", eine oder mehrere bestehende

Neuronenverbindungen entfernt werden. Auf diese Weise kann dem sogenannten Overfitting vorgebeugt werden. Zudem kann die Generalisationsfähigkeit des neuronalen Netzwerksystems ge steigert werden. Das heißt, die Güte von Ausgaben, auf welche die neuronalen Netze nicht trainiert wurden, kann verbessert und der verbleibende Optimierungsraum für etwaige anschlie ßende Optimierungen verkleinert werden. Vorzugsweise umfassen die Schaufelparameter, die von dem neuronalen Netzwerksystem ermittelt werden, geometrische Schaufelparameter .

Zumindest einige der geometrischen Schaufelparameter können beispielsweise einen Schaufelschnitt (also ein Profil der Strömungsmaschinenschaufel) charakterisieren. Weiterhin kön nen sich zumindest einige der geometrischen Schaufelparameter auf unterschiedliche Schaufelschnitte zwischen dem nabensei tigen Ende der Strömungsmaschinenschaufel und nabenfernen En de der Strömungsmaschinenschaufel beziehen.

Die geometrischen Schaufelparameter können einen oder mehrere Krümmungsparameter oder einen oder mehrere Dickenparameter umfassen .

Bei einer bevorzugten Ausführungsvariante der Erfindung um fassen die geometrischen Schaufelparameter sowohl einen oder mehrere Krümmungsparameter als auch einen oder mehrere Di ckenparameter. Weiter ist es bevorzugt, wenn der/die Krüm mungsparameter von einem anderen neuronalen Netz des neurona len Netzwerksystems ermittelt und über dessen Ausgabeschicht ausgegeben wird/werden als der/die Dickenparameter.

Besagte/-r Dickenparameter kann/können unter anderem eine Profildicke bei der Hälfte des hinteren Schaufelteils , ein Vorderkantenradius (auch Nasenradius genannt) , eine maximale Profildicke, eine Dickenrücklage und/oder ein

Hinterkantenwinkel sein bzw. mindestens einen dieser Parame ter umfassen.

Im Sinne der vorliegenden Erfindung meint der „hintere Schau felteil" denjenigen Teil eines Schaufelschnitts/Schaufelpro fils, der sich von der Position (auf der Sehnenlinie) , bei der sich die maximale Profildicke befindet, bis zur Hinter kante der Strömungsmaschinenschaufel erstreckt. Die „Hälfte" des hinteren Schaufelteils bezieht sich auf den halben Weg von der Position der maximalen Profildicke bis zur Hinterkan te der Strömungsmaschinenschaufel (entlang der Sehnenlinie) .

Besagte/-r Krümmungsparameter kann/können unter anderem eine maximale Profilwölbung, eine Wölbungsrücklage, ein Winkel zwischen der Sehnenlinie und der Skelettlinie an der Hinter kante und/oder ein Staffelungswinkel sein bzw. mindestens ei nen dieser Parameter umfassen.

Bei einer anderen bevorzugten Ausführungsvariante der Erfin dung parametrisieren die geometrischen Schaufelparameter eine Freiformkurve, welche eine oder mehrere Schaufeloberflächen charakterisiert. Besagte Freiformkurve kann insbesondere eine Bezierkurve sein.

Des Weiteren können die Schaufelparameter, die von dem neuro nalen Netzwerksystem ermittelt werden, einen Schaufelwir kungsgrad der Strömungsmaschinenschaufel umfassen. Alternativ oder zusätzlich können die Schaufelparameter, die von dem neuronalen Netzwerksystem ermittelt werden, ein logarithmi- sches Dekrement der Strömungsmaschinenschaufel umfassen. Bei dem logarithmischen Dekrement der Strömungsmaschinenschaufel handelt es sich um ein Maß für das Dämpfungsverhalten der Strömungsmaschinenschaufel .

Besonders bevorzugt ist es, wenn die Schaufelparameter, die von dem neuronalen Netzwerksystem ermittelt werden, zum einen geometrische Schaufelparameter und zum anderen mindestens ei nen weiteren Schaufelparameter, wie zum Beispiel den Schau felwirkungsgrad und/oder das logarithmisches Dekrement der Strömungsmaschinenschaufel, umfassen. Auf diese Weise ist es insbesondere möglich, Entwurfs-/Auslegungsprozesse unter schiedlichen Fachdisziplinen, wie Fluiddynamik, Festigkeit, Wärmetechnik etc., in einem gemeinsamen Entwurfs-/Auslegungs- prozess zu bündeln, anstatt diese wie bisher üblich sukzessi ve durchzuführen. Solch ein multidisziplinärer Entwurfs-/Aus- legungsprozess ermöglicht kürzere Entwurfs-/Auslegungszeiten . Zudem kann ein solcher multidisziplinärer Entwurfs-/Ausle- gungsprozess den Optimierungsraum für etwaige anschließende Optimierungen der einzelnen Fachdisziplinen bereits stark eingrenzen .

Zu den separaten neuronalen Netzen des neuronalen Netzwerk systems gehört (zusätzlich zu dem ersten und dem zweiten neuronalen Netz) vorteilhafterweise ein drittes neuronales Netz. Es kann beispielsweise vorgesehen sein, dass von dem ersten neuronalen Netz geometrische Schaufelparameter ermit telt und über dessen Ausgabeschicht ausgegeben werden, von dem zweiten neuronalen Netz ein Schaufelwirkungsgrad ermit telt und über dessen Ausgabeschicht ausgegeben wird und von dem dritten neuronalen Netz ein logarithmisches Dekrement der Strömungsmaschinenschaufel ermittelt und über dessen Ausgabe schicht ausgegeben wird. In solch einem Fall liefert das neuronale Netzwerksystem multidisziplinäre Parameter als Schaufelparameter .

Mithilfe der Erfindung kann ein sogenanntes inverses Design der Strömungsmaschinenschaufel erreicht werden. Das heißt, anhand vorgegebener Eingabeparameter können Schaufelparame ter, insbesondere geometrische Schaufelparameter, ermittelt und ausgegeben werden, mit denen diese Eingabeparameter rea lisierbar sind.

Bei einer bevorzugten Ausführungsform der Erfindung sind die Eingabeparameter, die an das neuronale Netzwerksystem über mittelt werden, zweidimensionale Parameter. Hierbei handelt es sich um Parameter, die jeweils durch ein Wertepaar (also durch zwei zusammengehörige Werte) festgelegt/festlegbar sind. Die Eingabeparameter können beispielsweise mindestens eine Machzahlverteilung, insbesondere eine saugseitige Mach zahlverteilung und/oder eine druckseitige Machzahlverteilung, repräsentieren. Alternativ oder zusätzlich können die Einga beparameter mindestens eine Druckverteilung, insbesondere ei ne saugseitige Druckverteilung und/oder eine druckseitige Druckverteilung, repräsentieren. Als Machzahlverteilung ist vorliegend eine Machzahl als Funk tion der normierten Profiltiefe (engl, „normalized chord") der Strömungsmaschinenschaufel bzw. der Verlauf dieser Funk tion zu verstehen. Analog ist als Druckverteilung vorliegend ein Druck als Funktion der normierten Profiltiefe der Strö mungsmaschinenschaufel bzw. der Verlauf dieser Funktion zu verstehen .

Bei einer anderen bevorzugten Ausführungsform der Erfindung sind die Eingabeparameter, die an das neuronale Netzwerksys tem übermittelt werden, eindimensionale Parameter. Hierbei handelt es sich um Parameter, die jeweils durch einen einzi gen Werten festgelegt/festlegbar sind. Die Eingabeparameter können beispielsweise eine oder mehrere Strömungsgrößen, eine oder mehrere thermodynamische Größen und/oder eine oder meh rere geometrische Größen sein bzw. mindestens einen dieser Parameter umfassen.

Besagte Strömungsgröße/-n kann/können beispielsweise eine An- strömmachzahl , eine Abströmmachzahl , ein Anströmwinkel, ein Umlenkwinkel und/oder eine Schaufelkranzdrehzahl sein bzw. mindestens einen dieser Parameter umfassen.

Besagte geometrische Größe/-n kann/können zum Beispiel ein Hinterkantenradius und/oder ein Teilungsverhältnis sein bzw. mindestens einen dieser Parameter umfassen.

Als Teilungsverhältnis ist vorliegend das Verhältnis einer Steigung eines Schaufelkranzes (also dem Abstand zwischen zwei benachbarten Schaufeln des Schaufelkranzes entlang sei ner Umfangslinie) zu einer Profiltiefe der jeweiligen Schau fel zu verstehen.

Des Weiteren kann/können besagte thermodynamische Größe/-n zum Beispiel eine saugseitige Temperatur und/oder eine druck seitige Temperatur sein bzw. mindestens einen dieser Parame ter umfassen. Es ist vorteilhaft, wenn mindestens eines der neuronalen Net ze zusätzlich zu seiner besagten Ausgabeschicht eine Eingabe schicht sowie eine Mehrzahl von Zwischenschichten (auch als „hidden layers" bezeichnet) aufweist. Das heißt, vorteilhaft erweise ist mindestens eines der neuronalen Netze ein tiefes neuronales Netz (auch „deep neural network" genannt) . Zweck mäßigerweise sind die einzelnen Schichten eines solchen meh rere Zwischenschichten aufweisenden neuronalen Netzes hierar chisch miteinander verknüpft. Tiefe neuronale Netze eignen sich besonders gut für die Ermittlung schwer vorhersagbarer (Schaufel-) Parameter.

In bevorzugter Weise wird von mindestens einer der Schichten eines solchen Netzes ein Parameter ermittelt, der an eine der anderen Schichten dieses neuronalen Netzes übermittelt wird. Auf diese Weise kann zum Beispiel Wissen, das bei der Ermitt lung eines leichter vorhersagbaren Parameters gewonnen bzw. erlernt wurde, für die Ermittlung eines schwerer vorhersagba ren Parameters genutzt werden.

Ferner kann vorgesehen sein, dass mindestens eines der neuro nalen Netze ein Ensemble von mehreren neuronalen Unternetzen umfasst. Die neuronalen Unternetze des Ensembles können sich beispielsweise hinsichtlich ihrer Netzstruktur voneinander unterscheiden. Vorzugsweise werden an jedes neuronale Unter netz dieses Ensembles die gleichen Eingabeparameter übermit telt.

Vorteilhafterweise wird von jedem neuronalen Unternetz dieses Ensembles jeweils ein Schaufelparameterwert für denselben Schaufelparameter ermittelt. Weiter ist es vorteilhaft, wenn die von den neuronalen Unternetzen des Ensembles ermittelten Schaufelparameterwerte gewichtet oder ungewichtet gemittelt werden, wobei der auf diese Weise erhaltene, gemittelte

Schaufelparameterwert von dem besagten neuronalen Netz, dem das Ensemble angehört, über dessen Ausgabeschicht als Schau felparameter ausgegeben wird. Durch besagte Mittelung kann der Vorhersagefehler des ausgegebenen Schaufelparameters ge- ring gehalten werden, da die Vorhersagefehler der einzelnen Unternetze ausgemittelt werden.

Das besagte neuronale Netz, dem das Ensemble angehört, kann insbesondere mehrere solche Ensembles umfassen. Diese können hierarchisch miteinander verknüpft sein. Mindestens eines der Ensembles kann beispielsweise einen Parameter ermitteln, der an eines der anderen Ensembles dieses neuronalen Netzes als Eingabeparameter übermittelt wird. Auf diese Weise kann zum Beispiel Wissen, das bei der Ermittlung eines leichter vorhersagbaren Parameters gewonnen bzw. erlernt wurde, für die Ermittlung eines schwerer vorhersagbaren Parameters ge nutzt werden.

Der Parameter, der von einem der Ensembles an eines der ande ren Ensembles dieses neuronalen Netzes übermittelt wird, ist vorzugsweise ein Schaufelparameter, der von dem besagten neuronalen Netz, dem die Ensembles angehören, über dessen Ausgabeschicht ausgegeben wird.

Ferner kann mindestens eines der Unternetze des jeweiligen Ensembles als ein sogenanntes „deep neural network" ausgebil det sein.

Wie eingangs erwähnt, betrifft die Erfindung ein Verfahren zum Herstellen einer Strömungsmaschinenschaufel.

Das erfindungsgemäße Verfahren zum Herstellen einer Strö mungsmaschinenschaufel umfasst die Schritte:

- Entwerfen einer Strömungsmaschinenschaufel gemäß dem erfin dungsgemäßen Verfahren zum Entwerfen einer Strömungsmaschi nenschaufel, wobei Schaufelparameter ermittelt werden,

- gegebenenfalls Abwandeln eines oder mehrerer der Schaufel parameter unter Berücksichtigung mindestens eines Optimie rungskriteriums ,

- Herstellen der Strömungsmaschinenschaufel entsprechend den ermittelten, gegebenenfalls abgewandelten Schaufelparame tern . Der zweite Schritt des Herstellungsverfahrens ist optional. Das heißt, die Strömungsmaschinenschaufel kann entsprechend den mithilfe des neuronalen Netzwerksystems ermittelten

Schaufelparametern hergestellt werden, ohne dass die ermit telten Schaufelparameter unter Berücksichtigung mindestens eines Optimierungskriteriums abgewandelt werden.

Beim Herstellen der Strömungsmaschinenschaufel kann insbeson dere ein generatives Fertigungsverfahren, wie zum Beispiel selektives Laserschmelzen, selektives Lasersintern oder der gleichen, zum Einsatz kommen.

Die Erfindung betrifft außerdem, wie eingangs erwähnt, eine Rechnereinheit sowie ein maschinenlesbares Speichermedium.

Weiter oben im Zusammenhang mit dem erfindungsgemäßen Verfah ren zum Entwerfen einer Strömungsmaschinenschaufel beschrie bene Ausführungsformen, Ausführungsdetails und Vorteile kön nen sich auch auf die erfindungsgemäße Rechnereinheit und das erfindungsgemäße Speichermedium beziehen.

Die erfindungsgemäße Rechnereinheit ist zur Durchführung des erfindungsgemäßen Verfahrens zum Entwerfen einer Strömungsma schinenschaufel eingerichtet. Die Rechnereinheit umfasst ein neuronales Netzwerksystem, welches dazu eingerichtet ist, vorgegebene Eingabeparameter zu empfangen und Schaufelparame ter anhand der empfangenen Eingabeparameter zu ermitteln und auszugeben. Erfindungsgemäß umfasst das neuronale Netzwerk system der Rechnereinheit mehrere separate neuronale Netze mit jeweils einer Ausgabeschicht, von denen jedes dazu einge richtet ist, einen oder mehrere der Schaufelparameter zu er mitteln und über seine Ausgabeschicht auszugeben. Zu den se paraten neuronalen Netzen gehören ein erstes neuronales Netz sowie ein zweites neuronales Netz. Das erste neuronale Netz ist dazu eingerichtet, einen oder mehrere der Schaufelparame ter zu ermitteln und über seine Ausgabeschicht auszugeben. Ferner ist das zweite neuronale Netz dazu eingerichtet, einen oder mehrere der Schaufelparameter zu ermitteln und über sei ne Ausgabeschicht auszugeben, welcher/welche von dem/den vom ersten neuronalen Netz ermittelten und ausgegebenen Schaufel- parameter/-n verschieden ist/sind.

Die Einrichtung der Rechnereinheit zur Durchführung der ange gebenen Verfahrensschritte kann durch Ausrüsten der Rechner einheit mit einem entsprechenden Computerprogramm erfolgen, welches die Rechnereinheit zur Durchführung der Verfahrens schritte befähigt.

Das erfindungsgemäße maschinenlesbare Speichermedium weist einen Programmcode auf, durch welchen eine Rechnereinheit zur Ausführung des erfindungsgemäßen Verfahrens zum Entwerfen ei ner Strömungsmaschinenschaufel veranlasst wird, wenn der Pro grammcode von der Recheneinheit ausgeführt wird.

Das maschinenlesbare Speichermedium kann ein Bestandteil der erfindungsgemäßen Rechnereinheit sein oder mit der erfin dungsgemäßen Rechnereinheit verbunden sein.

Die bisher gegebene Beschreibung bevorzugter Ausgestaltungen der Erfindung enthält zahlreiche Merkmale, die in den einzel nen abhängigen Patentansprüchen teilweise zu mehreren zusam mengefasst wiedergegeben sind. Diese Merkmale können jedoch auch einzeln betrachtet und zu sinnvollen weiteren Kombinati onen zusammengefasst werden. Insbesondere sind diese Merkmale jeweils einzeln und in beliebiger geeigneter Kombination mit den erfindungsgemäßen Verfahren, der erfindungsgemäßen Rech nereinheit sowie dem erfindungsgemäßen Speichermedium kombi nierbar. Ferner können Verfahrensmerkmale auch als Eigen schaft der entsprechenden Vorrichtungseinheit angesehen wer den .

Die oben beschriebenen Eigenschaften, Merkmale und Vorteile der Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusam menhang mit der folgenden Beschreibung der Ausführungsbei- spiele der Erfindung, die im Zusammenhang mit den Figuren nä her erläutert werden. Die Ausführungsbeispiele dienen der Er läuterung der Erfindung und beschränken die Erfindung nicht auf die darin angegebenen Kombinationen von Merkmalen, auch nicht in Bezug auf funktionale Merkmale. Außerdem können dazu geeignete Merkmale eines jeden Ausführungsbeispiels auch ex plizit isoliert betrachtet, aus einem Ausführungsbeispiel entfernt, in ein anderes Ausführungsbeispiel zu dessen Ergän zung eingebracht und mit einem beliebigen der Ansprüche kom biniert werden.

Es zeigen:

FIG 1 ein Ausführungsbeispiel einer ersten erfindungsge mäßen Rechnereinheit zum Entwerfen einer Strömungs- maschinenschaufei ;

FIG 2 ein Profil einer Strömungsmaschinenschaufel;

FIG 3 eine schematische Darstellung eines neuronalen Net zes, in welcher verschiedene Schichten von Neuronen des neuronalen Netzes abgebildet sind;

FIG 4 ein Diagramm, in welchem eine druckseitige sowie eine saugseitige Machzahlverteilung dargestellt sind;

FIG 5 eine schematische Darstellung eines neuronalen Net zes, das ein Ensemble von mehreren Unternetzen um fasst;

FIG 6 ein Ausführungsbeispiel einer zweiten erfindungsge mäßen Rechnereinheit zum Entwerfen einer Strömungs maschinenschaufel .

FIG 1 zeigt schematisch eine erste Rechnereinheit 2 zum Ent werfen einer Strömungsmaschinenschaufel. Diese Rechnereinheit 2 umfasst ein neuronales Netzwerksystem 4, welches dazu eingerichtet ist, vorgegebene Eingabeparame ter 6 zu empfangen sowie mehrere Schaufelparameter 8, welche die zu entwerfende Strömungsmaschinenschaufel und deren vor gesehene Anordnung/Ausrichtung in einem Schaufelkranz charak terisieren, anhand der empfangenen Eingabeparameter 6 zu er mitteln und auszugeben.

Das neuronale Netzwerksystem 4 umfasst mehrere separate neuronale Netze 10, von denen jedes eine Ausgabeschicht (vgl. FIG 3) aufweist. Bei dem Ausführungsbeispiel nach FIG 1 um fasst das neuronale Netzwerksystem 4 ein erstes neuronales Netz 12, ein zweites neuronales Netz 14, ein drittes neurona les Netz 16 sowie eine viertes neuronales Netz 18.

Die Eingabeparameter 6, anhand derer das neuronale Netzwerk system 4 die Schaufelparameter 8 ermittelt und ausgibt, wer den an jedes der vier neuronalen Netze 12-18 übermittelt. Im vorliegenden Ausführungsbeispiel umfassen die Eingabeparame ter 6 n zweidimensionale Parameter, die eine saugseitige Machzahlverteilung Ma _s s um einen Schaufelschnitt repräsentie ren, sowie m zweidimensionale Parameter, die eine druckseiti ge Machzahlverteilung Ma _PS um besagten Schaufelschnitt reprä sentieren (vgl. FIG 4), wobei n und m natürliche Zahlen grö ßer als 1 sind. Mit anderen Worten, die Eingabeparameter 6 stellen n Punkte einer saugseitigen Machzahlverteilung Ma _s s und m Punkte einer druckseitigen Machzahlverteilung Ma _PS dar. Jeder der Eingabeparameter 6 umfasst als ersten Wert eine normierte Profiltiefe x _p und als zweiten Wert die zugehörige saugseitige Machzahl Ma _s s (x _P) bzw. druckseitige Machzahl

Ma _{PS (} x _±) .

Die Ermittlung der Schaufelparameter 8 wird auf die vier neuronalen Netze 12-18 aufgeteilt, wobei jedes der vier neuronalen Netze 12-18 einen oder mehrere der Schaufelparame ter 8 ermittelt und über seine Ausgabeschicht ausgibt und wo bei derjenige/diejenigen Schaufelparameter, die von dem je weiligen neuronalen Netz 12-18 ermittelt und über seine Aus- gabeschicht ausgegeben wird/werden, von den Schaufelparame tern verschieden ist/sind, die von den anderen neuronalen Netzen 12-18 ermittelt und ausgegeben werden.

Bei den von dem ersten und dem zweiten neuronalen Netz 12, 14 ermitteln Schaufelparametern handelt es sich um geometrische Schaufelparameter 20. Im vorliegenden Ausführungsbeispiel werden vom ersten neuronalen Netz 12 Krümmungsparameter 22 eines Schaufelprofils (hier exemplarisch eine maximale Pro filwölbung F, eine Wölbungsrücklage M, ein Winkel gi zwischen der Sehnenlinie und der Skelettlinie an der

Schaufelhinterkante (vgl. FIG 2) sowie ein Staffelungswinkel l) ermittelt und über dessen Ausgabeschicht ausgegeben. Vom zweiten neuronalen Netz 14 hingegen werden Dickenparameter 24 dieses Schaufelprofils (hier exemplarisch eine Profildicke yi/2 bei der Hälfte des hinteren Schaufelteils , ein Vorderkan tenradius RQ, eine maximale Profildicke D, eine Dickenrückla ge N sowie ein Hinterkantenwinkel wi) ermittelt und über des sen Ausgabeschicht ausgegeben.

Des Weiteren wird vom dritten neuronalen Netz 16 ein loga- rithmisches Dekrement X der Strömungsmaschinenschaufel als Schaufelparameter ermittelt und über dessen Ausgabeschicht ausgegeben. Vom vierten neuronalen Netz 18 wird ein Schaufel wirkungsgrad h als Schaufelparameter ermittelt und über des sen Ausgabeschicht ausgegeben.

Grundsätzlich kann das neuronale Netzwerksystem 4 eine andere Anzahl von neuronalen Netzen 10, 12-18 aufweisen. Ferner kann die Ermittlung der Schaufelparameter 8 prinzipiell anders auf die einzelnen neuronalen Netze 10, 12-18 aufgeteilt sein.

Bevor die Schaufelparameter 8 mithilfe des neuronalen Netz werksystems 4 ermittelt werden, wird jedes der vier neurona len Netze 12-18 mithilfe von Trainingsdaten trainiert, die auf einem Grundtrainingsdatenbestand basieren, der Daten aus früheren Entwurfs- und/oder Optimierungsprojekten enthält.

Vor dem Training der neuronalen Netze 12-18 wird zunächst ge- prüft, ob der Grundtrainingsdatenbestand redundante Parameter enthält. Enthält der Grundtrainingsdatenbestand redundante Parameter, dienen als Trainingsdaten die um die redundanten Parameter bereinigten Daten des Grundtrainingsdatenbestands. Andernfalls werden sämtliche Daten des Grundtrainingsdatenbe stands als Trainingsdaten verwendet.

Nach dem Trainieren der neuronalen Netze 12-18 und vor der Ermittlung der Schaufelparameter 8 werden gegebenenfalls bei einem oder mehreren der neuronalen Netze 12-18 mittels eines Pruning-Verfahrens jeweils eine oder mehrere bestehende

Neuronenverbindungen (vgl. FIG 3) entfernt.

Auf das oben beschriebene Entwerfen einer Strömungsmaschinen schaufel folgt eine Herstellung der Strömungsmaschinenschau fel.

Vor der Herstellung der Strömungsmaschinenschaufel kann gege benenfalls mindestens einer der vom neuronalen Netzwerksystem 4 ermittelten und ausgegebenen Schaufelparameter 8 unter Be rücksichtigung mindestens eines Optimierungskriteriums abge wandelt werden.

Die Herstellung der Strömungsmaschinenschaufel erfolgt gemäß den vom neuronalen Netzwerksystem 4 ermittelten, gegebenen falls abgewandelten Schaufelparametern, beispielsweise mit hilfe eines generativen Fertigungsverfahrens.

FIG 2 zeigt ein exemplarisches Profil einer Strömungsmaschi nenschaufel 26.

Die Strömungsmaschinenschaufel 26 umfasst eine Vorderkante 28 (engl, „leading edge") sowie eine Hinterkante 30 (engl, „trailing edge") . Ferner weist die Strömungsmaschinenschaufel 26 eine Schaufeloberseite 32 und eine Schaufelunterseite 34 auf . In FIG 2 sind sowohl eine Sehnenlinie 36 als auch eine Ske lettlinie 38 der Strömungsmaschinenschaufel 26 abgebildet. Darüber hinaus sind in FIG 2 einige der zuvor erwähnten

Schaufelparameter 8 kenntlich gemacht.

Zu den in FIG 2 kenntlich gemachten Schaufelparametern 8 ge hören unter anderem die Profiltiefe t der Strömungsmaschinen schaufel 26 (d. h. die Länge der Sehnenlinie 36), der Vorder kantenradius RQ, die maximale Profildicke D, die maximale Profilwölbung F (also die größte Abweichung der Skelettlinie 38 von der Sehnenlinie 36), der Hinterkantenwinkel wi (d. h. der Winkel zwischen der Schaufeloberseite 32 und der Schau felunterseite 34 an der Hinterkante 30) und der Winkel gi zwischen der Sehnenlinie 36 und der Skelettlinie 38 an der Hinterkante 30. Darüber hinaus gehören zu den in FIG 2 kennt lich gemachten Schaufelparametern 8 die Wölbungsrücklage M (also den Abstand der Position der maximalen Profilwölbung F zur Vorderkante 28 entlang der Sehnenlinie 36) , die Dicken rücklage N (also den Abstand der Position der maximalen Pro fildicke D zur Vorderkante 28 entlang der Sehnenlinie 36) so wie die Profildicke bei der Hälfte des hinteren Schaufel teils.

FIG 3 zeigt eine schematische Darstellung, welche den prinzi piellen Aufbau eines neuronalen Netzes 10 illustriert.

Das in FIG 3 dargestellte neuronale Netz 10 umfasst eine Vielzahl künstlicher Neuronen 40, die mehrere Schichten bil den. Im vorliegenden Fall bilden die Neuronen 40 eine Einga beschicht 42 zum Empfangen von Eingabeparametern, eine Ausga beschicht 44 sowie eine erste Zwischenschicht 46 und eine zweite Zwischenschicht 48. Über die Ausgabeschicht 44 des neuronalen Netzes 10 wird/werden ein bzw. mehrere Ausgabepa rameter ausgegeben, der/die von dem neuronalen Netz 10 anhand der Eingabeparameter ermittelt wird/werden.

Bei dem neuronalen Netz 10 aus FIG 3 umfassen die Eingabe schicht 42 und die zweite Zwischenschicht 48 drei Neuronen 40, während die erste Zwischenschicht 46 fünf Neuronen 40 um fasst und die Ausgabeschicht 44 ein Neuron 40 umfasst, wobei die Anzahl der Neuronen 40 der jeweiligen Schicht 42-48 le diglich exemplarisch gewählt wurde.

Die einzelnen Schichten 42-48 des neuronalen Netzes 10 sind durch Neuronenverbindungen 50, die jeweils zwei der Neuronen 40 miteinander verbinden, miteinander verknüpft. Im vorlie genden Fall ist jedes Neuron 40 der Eingabeschicht 42 mit je dem Neuron 40 der ersten Zwischenschicht 46 verbunden. Weiter sind die Neuronen 40 der ersten Zwischenschicht 46 jeweils mit jedem Neuron 40 der zweiten Zwischenschicht 48 verbunden. Jedes Neuron 40 der zweiten Zwischenschicht 48 ist seiner seits mit dem Neuron 40 der Ausgabeschicht 44 verbunden.

Die vier zuvor erwähnten neuronalen Netze 12-18 des neurona len Netzwerksystems 4 aus FIG 1 können jeweils einen solchen Aufbau oder einen ähnlichen Aufbau aufweisen. Insbesondere kann das jeweilige neuronale Netz 12-18 des neuronalen Netz werksystems 4 eine andere Anzahl von Zwischenschichten 46,

48, eine andere Anzahl von Neuronen 40 sowie eine andere An zahl von Neuronenverbindungen 50 aufweisen.

FIG 4 zeigt ein Achsendiagramm, dessen Ordinatenachse eine Machzahl Ma darstellt und dessen Abszissenachse die normierte Profiltiefe x einer Strömungsmaschinenschaufel darstellt, wo bei der Wert 0 der normierten Profiltiefe x der Vorderkanten position der Strömungsmaschinenschaufel entspricht und der Wert 1 der Profiltiefe x der Hinterkantenposition der Strö mungsmaschinenschaufel entspricht .

In dem Diagramm sind eine exemplarische saugseitige Machzahl verteilung Ma _s s um einen Schaufelschnitt sowie eine exempla rische druckseitige Machzahlverteilung Ma _PS um diesen Schau felschnitt abgebildet.

Ferner sind in FIG 4 einige Punkte der saugseitigen Machzahl verteilung Ma _s s sowie einige Punkte der druckseitigen Mach- zahlverteilung Ma _PS eingezeichnet, die zum Beispiel als Ein gabeparameter an das neuronale Netzwerksystem 4 aus FIG 1 übermittelt werden können.

Konkret handelt es sich bei der saugseitigen Machzahlvertei lung Ma _s s um die Punkte: ( 0.2 | Ma _S s ( 0.2 ) ) , ( 0.4 | Ma _S s ( 0.4 ) ) ,

(0.6 | Ma _ss (0.6) ) , ( 0.8 | Ma _ss ( 0.8 ) ) und ( x _max | Ma _{ss max} ) ) · Bei der druckseitigen Machzahlverteilung Ma _PS handelt es sich um die Punkte: ( 0.2 | Ma _PS ( 0.2 ) ) , ( 0.4 | Ma _PS ( 0.4 ) ) , (0.6 | Ma _PS (0.6) ) und

( 0.8 | a _PS ( 0.8 ) ) . Alternativ oder zusätzlich können andere Punkte der saugseitigen Machzahlverteilung Ma _s s und/oder an dere Punkte der druckseitigen Machzahlverteilung Ma _PS als Eingabeparameter an das neuronale Netzwerksystem 4 aus FIG 1 übermittelt werden.

FIG 5 zeigt eine schematische Darstellung eines neuronalen Netzes 10 zur Ermittlung eines oder mehrerer Schaufelparame ter .

Das neuronale Netz 10 aus FIG 5 hat eine Eingabeschicht 42, die mehrere künstliche Neuronen 40 umfasst. Weiter umfasst dieses neuronale Netz 10 ein Ensemble 52 von mehreren neuro nalen Unternetzen 54, die jeweils mit der Eingabeschicht 42 verknüpft sind. Das Ensemble 52 von neuronalen Unternetzen 54 wird vorzugsweise durch Neuronen einer oder mehrerer (in FIG 5 nicht dargestellter) Zwischenschichten des neuronalen Netzes 10 ausgebildet.

Von der Eingabeschicht 42 bzw. deren Neuronen 40 werden Ein gabeparameter empfangen, die an jedes der neuronalen Unter netze 54 des Ensembles 52 übermittelt werden. Von jedem neuronalen Unternetz 54 des Ensembles 52 wird anhand der Ein gabeparameter jeweils ein Schaufelparameterwert 56 für den selben Schaufelparameter (beispielsweise für die maximale Profildicke D) ermittelt. Die einzelnen Schaufelparameterwer te 56 werden (gewichtet oder ungewichtet) gemittelt, wodurch ein gemittelter Schaufelparameterwert 58 erhalten wird. Der gemittelte Schaufelparameterwert 58 wird von dem neuronalen Netz 10 über dessen (in FIG 5 nicht dargestellte) Ausgabe schicht als Schaufelparameter ausgegeben.

Gegebenenfalls kann das neuronale Netz 10 mindestens ein wei teres derartiges Ensemble von neuronalen Unternetzen aufwei sen, das zur Ermittlung eines weiteren Schaufelparameters dient. In solch einem Fall kann der gemittelte Schaufelpara meterwert 58 neben den zuvor erwähnten Eingabeparametern als zusätzlicher Parameter an das weitere Ensemble bzw. dessen neuronale Unternetze übermittelt werden, sodass der gemittel te Schaufelparameter 58 in die Ermittlung des weiteren Schau felparameters eingehen kann.

Eines oder mehrere der vier neuronalen Netze 12-18 des neuro nalen Netzwerksystems 4 aus FIG 1 können den gleichen Aufbau und die gleiche Funktionsweise wie das neuronale Netz 10 aus FIG 5 haben.

Die Beschreibung des nachfolgenden Ausführungsbeispiels be schränkt sich primär auf die Unterschiede zum vorhergehenden Ausführungsbeispiel, auf das bezüglich gleicher Merkmale und Funktionen verwiesen wird. Gleiche und/oder einander entspre chende Elemente sind, soweit zweckdienlich, mit den gleichen Bezugszeichen bezeichnet und nicht erwähnte Merkmale sind im nachfolgenden Ausführungsbeispiel übernommen, ohne dass sie erneut beschrieben werden.

FIG 6 zeigt schematisch eine zweite Rechnereinheit 60 zum Entwerfen einer Strömungsmaschinenschaufel.

Ebenso wie die Rechnereinheit 2 aus FIG 1 umfasst auch die Rechnereinheit 60 aus FIG 6 ein neuronales Netzwerksystem 4 mit einem ersten, einem zweiten, einem dritten und einem vierten neuronalen Netz 12-18.

Im vorliegenden Ausführungsbeispiel werden eindimensionale Parameter als Eingabeparameter 6 an die vier neuronalen Netze 12-18 des neuronalen Netzwerksystems 4 übermittelt. Die Ein- gabeparameter 6 umfassen in diesem Fall mehrere Strömungsgrö ßen (hier exemplarisch eine Anströmmachzahl Ma _±nr eine

Abströmmachzahl Ma _CUt , einen Anströmwinkel ßi, einen Umlenk winkel Aß und eine vorgesehene Schaufelkranzdrehzahl Pi) . Zu sätzlich umfassen die Eingabeparameter 6 geometrische Größen (hier exemplarisch einen vorgesehenen Hinterkantenradius K _TE und ein vorgesehenes Teilungsverhältnis t/s) .

Wie im vorhergehenden Ausführungsbeispiel werden auch im vor liegenden Ausführungsbeispiel von dem ersten und dem zweiten neuronalen Netz 12, 14 geometrische Schaufelparameter 20 er mittelt und ausgegeben.

Vom ersten neuronalen Netz 12 werden dabei Krümmungsparameter 22 (hier exemplarisch ein Staffelungswinkel l sowie für ver schiedene Schaufelschnitte zwischen einem nabenseitigen Ende und einem nabenfernen Ende der Strömungsmaschinenschaufel je weils der Winkel g _E zwischen der Sehnenlinie und der Skelett linie an der Schaufelhinterkante) ermittelt und über dessen Ausgabeschicht ausgegeben. Vom zweiten neuronalen Netz 14 hingegen werden Dickenparameter 24 (hier exemplarisch für verschiedene Schaufelschnitte zwischen dem nabenseitigen Ende und dem nabenfernen Ende der Strömungsmaschinenschaufel je weils die maximale Profildicke D und die Dickenrücklage N) ermittelt und über dessen Ausgabeschicht ausgegeben.

Die in Prozent angegebenen Indizes bei einigen der Schaufel parameter 8 in FIG 6 stehen jeweils für die Position des Schaufelschnitts, auf den sich der jeweilige Schaufelparame ter bezieht. Die Bedeutung dieser (in Prozent angegebenen) Indizes ist vorliegend wie folgt definiert: Ein Index von 0% entspricht dem nabenseitige Ende der Strömungsmaschinenschau fel, während ein Index von 100% dem nabenferne Ende der Strö mungsmaschinenschaufel entspricht. Dem Index 50% entspricht somit eine Position mittig zwischen dem nabenseitigen Ende und dem nabenfernen Ende der Strömungsmaschinenschaufel. Obwohl die Erfindung im Detail durch die bevorzugten Ausfüh rungsbeispiele näher illustriert und beschrieben wurde, so ist die Erfindung nicht durch die offenbarten Beispiele ein geschränkt und andere Variationen können hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.