Multifidelity-Optimierungsverfahren für Turbomaschinen
- In dieser Arbeit wird ein industriell einsetzbares Multifidelity-Optimierungsverfahrens für Turbomaschinen vorgestellt. Die Herausforderungen dabei sind die Existenz mehrerer Zielfunktionen und zahlreicher Nebenbedingungen, sowie hochdimensionale Suchräume und sehr laufzeitintensive Prozessketten. Das hier vorgestellte Multifidelity-Optimierungsverfahren sorgt dafür, dass hochdimensionale Suchräume effizienter abgetastet werden und damit die Laufzeit der Optimierungen deutlich reduziert werden. Hierfür werden schnellere Prozessketten niedrigerer Güte herangezogen und mit Hilfe der dort enthaltenen Informationen die Anzahl an teuren Prozesskettenauswertungen reduziert. Die entwickelte Software unterstützt zahlreiche moderne Hardwarearchitekturen und ist für den Betrieb innerhalb einer Großrechnerumgebung ausgelegt. Das entwickelte Verfahren wurde zahlreichen Tests unterzogen und wurde innerhalb von unterschiedlichen Turbomaschinen-Anwendungen aus Industrie und Forschung angewendet.
Author: | Andreas SchmitzGND |
---|---|
URN: | urn:nbn:de:hbz:294-78995 |
DOI: | https://doi.org/10.13154/294-7899 |
Referee: | Reinhard MönigGND, Hanno GottschalkGND |
Document Type: | Doctoral Thesis |
Language: | German |
Date of Publication (online): | 2021/02/22 |
Date of first Publication: | 2021/02/22 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Maschinenbau |
Date of final exam: | 2020/11/18 |
Creating Corporation: | Fakultät für Maschinenbau |
GND-Keyword: | Strömungsmaschine; Kriging; Maschinelles Lernen; Optimierung; Prozesskette |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften, Maschinenbau |
faculties: | Fakultät für Maschinenbau |
Licence (German): | Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht |