Strecker, Maike
[VerfasserIn]
;
Abdel-Maksoud, Moustafa
[AkademischeR BetreuerIn];
Bock und Polach, Rüdiger U. Franz von
[AkademischeR BetreuerIn]Technische Universität Hamburg,
Technische Universität Hamburg Institut für Fluiddynamik und Schiffstheorie
Entwicklung von Methoden zum KI-gestützten Propellerentwurf im frühen Entwurfsstadium
Hochschulschrift:
Masterarbeit, Technische Universität Hamburg, 2022
Anmerkungen:
Sonstige Körperschaft: Technische Universität Hamburg, Institut für Fluiddynamik und Schiffstheorie
Beschreibung:
Ziel der Arbeit ist die Entwicklung einer KI-basierten Entwurfsmethode für die Erstellung einer Propellergeometrie, die als Ausgangspunkt für den Entwurfsprozess dient. Dabei sollen Randbedingungen wie der maximale Durchmesser, der erforderliche Schub bzw. die verfügbare Leistung berücksichtigt werden können. Basierend auf einer Literaturrecherche hinsichtlich möglicher KI-Ansätze bzw. Methoden werden diese bezüglich ihrer Eignung für die Unterstützung des Propellerentwurfs bewertet. Sie erstrecken sich von einfachen Regressionen bis hin zu künstlichen neuronalen Netzwerken. Anschließend sollen die für die Aufgabenstellung passenden KI-Ansätze ausgewählt und daraus entsprechende Modelle unter Beachtung der genannten Randbedingungen implementiert werden. Anhand der verfügbaren Daten aus Propellerserien sollen die Modelle trainiert werden. Zur Beurteilung ihrer Qualität sind für einen Beispielpropeller die berechneten und vorliegenden Freifahrtkennwerte zu vergleichen. Anhand des Vergleichs sind neuronale Netze am Besten für diese Anwendung geeignet.
The aim of the work is to develop an AI-based design method for the creation of a propeller geometry that serves as a starting point for the design process. It should be possible to consider boundary conditions such as the maximum diameter, the required thrust or the available power. Based on a literature review regarding possible AI approaches or methods, these are evaluated in terms of their suitability for supporting propeller design. They range from simple regressions to artificial neural networks. Subsequently, the AI approaches suitable for the task are to be selected and corresponding models are to be implemented from them under consideration of the mentioned boundary conditions. The models are to be trained on the basis of available data from propeller series. In order to assess their quality, the calculated and available free-running characteristics are to be compared for an example propeller. Based on the comparison, neural networks are best suited for this application.