Entwurfsprozess für Offshore-Tragstrukturen
Inhaltsverzeichnis
Projektdaten
| Titel | Title TP B01: Integrierter Entwurfsprozess für Offshore-Tragstrukturen | Project B01: Integrated design process for offshore structures Förderer | Funding Deutsche Forschungsgemeinschaft (DFG) / SFB 1463 Zeitraum | Period 01/2021 – 12/2024 |
Bericht aus dem Jahrbuch 2024/25
ML-basierter Entwurf von OSS
ML-basiertes Framework für die konzeptionelle Planung von Gründungen für Offshore-Windenergieanlagen
Das Hauptziel des Projekts ist die Entwicklung einer auf maschinellem Lernen (ML) basierenden konzeptionellen Entwurfsmethodik für Offshore-Gründungsstrukturen (OSS), die strukturelle Parameter basierend auf festgelegten Randbedingungen automatisch vorhersagen kann. In früheren Forschungen wurden ein Datensatz aus realen OSS-Daten und Techniken des Feature Engineerings angewendet, um Korrelationen zwischen den Merkmalen des Datensatzes zu analysieren. Wichtige Randbedingungsparameter, die die Vorhersage struktureller Outputs beeinflussen, wurden als Eingaben ausgewählt. Aufgrund der begrenzten Stichprobengröße der realen Datenpunkte konnten die trainierten ML-Modelle jedoch die zugrunde liegenden Datenmuster nicht vollständig erfassen, was zu suboptimalen Vorhersageleistungen führte. Daraufhin konzen-
trierte sich das Projekt im Jahr 2024 darauf, den Trainingsdatensatz durch die Generierung synthetischer OSS-Samples mithilfe generativer Modelle zu erweitern, um die Vorhersagefähigkeit der ML-Modelle zu verbessern.
Im Rahmen einer Studie wurde zunächst mit verschiedenen generativen Modellen experimentiert, z. B. TVAE und Synthpop, um synthetische Daten zu erzeugen. Es wurde ein systematischer Vergleich dieser Modelle durchgeführt, um das effektivste für die Generierung synthetischer OSS-Samples zu identifizieren. Die vergleichende Analyse zeigte, dass das Synthpop-Modell die anderen übertraf. Mithilfe von Synthpop wurden dann synthetische Datensätze unterschiedlicher Größe generiert, um den ursprünglichen Datensatz zu erweitern. Diese erweiterten Datensätze wurden anschließend verwendet, um drei ML-Modelle zu trainieren, nämlich Random Forest, XGBoost und Multi-Layer Perceptron, um jeden strukturellen Parameter von OSS vorhersagen zu können. Die Vorhersageleistung der trainierten Modelle verbesserte sich mit dem erhöhten Umfang der Trainingsdaten, was die Effektivität der Datensatzerweiterung mittels generativer Modelle bei der Erfassung essentieller Muster in der Planung demonstriert. Dieser Ansatz verbesserte signifikant die Genauigkeit und Effizienz der konzeptionellen Planung. Anschließend wurden die trainierten ML-Modelle evaluiert, um ein ML-basiertes Rahmenwerk für den konzeptionellen Entwurf von OSS zu etablieren.
Bericht aus dem Jahrbuch 2023
Auswahl von Merkmalen für OS-Jackets
Rambøll-Jacket für den digitalen Zwilling im SFB 1463
Ein Hauptziel des Projekts ist die Entwicklung einer datengesteuerten Methode für den konzeptionellen Entwurf von Jackets, welche automatisch Jacket-Strukturparameter basierend auf bestimmten Randbedingungsvariablen mit Hilfe von maschinellem Lernen (ML) vorhersagen kann. Ein neuartiger Datensatz von weltweit fertiggestellten und im Bau befindlichen Jackets wurde als Eckpfeiler für die ML-Anwendungen erstellt. 2023 konzentrierte sich das Projekt auf die Untersuchung eines umfassenden Ansatzes zur Merkmalsauswahl. Dieser ist entscheidend, um Korrelationen zwischen Merkmalen und die Wichtigkeit von Merkmalen für einen interpretierbaren datengesteuerten Entwurf zu identifizieren und zu visualisieren. Die Ergebnisse der Merkmalsauswahl sind geeignete Eingangsmerkmalssätze zur Vorhersage jedes Zielmerkmals der Jacket-Strukturparameter.
Um die Robustheit der Merkmalsauswahl zu verbessern, also konsistente Teilmengen trotz Trainingsschwankungen durch Variation des Probenumfangs zu erzielen, wurde ein Multi-Kriterien-Fusionsansatz untersucht. Dieser Ansatz integriert mehrere Algorithmen zur Bewertung der Merkmalsauswahl durch eine rankingbasierende Fusionsmethode. Für Regressionsaufgaben umfassen die Bewertungsalgorithmen den ANOVA F-Test, Spearman-Korrelation, Mutual Information, baumbasierte Algorithmen und Elastic Net, während für Klassifikationsaufgaben der ANOVA F-Test, Relief-Algorithmus, Mutual Information, baumbasierte Algorithmen und schnelle korrelationsbasierte Filter verwendet werden. Anschließend werden Random-Forest- und eXtreme-Gradient-Boosting-Modelle mit diesen ausgewählten Merkmalssätzen trainiert, um individuelle Jacket-Strukturparameter vorherzusagen. Die verbesserte Vorhersageleistung dieser Modelle zeigt die Wirksamkeit der Merkmalsauswahl bei der Erfassung wesentlicher Muster und Eigenschaften gut entworfener Jackets, wodurch die Genauigkeit und die Effizienz des konzeptionellen Entwurfsprozesses verbessert werden.
Die ausgewählten Merkmalssätze werden nun für die Entwicklung vielversprechender ML-basierter Vorhersagemodelle verwendet, um ein integriertes datengesteuertes Entwurfsframework zu erstellen. In 2024 wird sich die Forschung auf die Verbesserung der Vorhersageleistung des Frameworks mit generativen Modellen konzentrieren.
Bericht aus dem Jahrbuch 2022
Datenbank für OS-Jacket-Tragstrukturen
Modell der Offshore-Jacket-Tragstruktur für hydrodynamische Tests
Im Vergleich zum konventionellen Hochbau sind die Tragstrukturen von Offshore-Windenergieanlagen (OWEA) unifunktionale Strukturen, die hauptsächlich Lasten übertragen. Der strukturelle Entwurf von OWEA beruht i. A. auf dem theoretischen und praktischen Wissen sowie der Intuition von Ingenieurinnen und Ingenieuren. In den vergangenen Jahrzehnten wurden Entwurfsverfahren für Offshore-Tragstrukturen (OTS) entwickelt. Die konventionellen Verfahren für OTS basieren auf den strukturellen Nachweisen in den Grenzzuständen der Tragfähigkeit, der Ermüdung und des Unfalls, die nur einen kleinen Aspekt des Lebensprozesses von Tragstrukturen berücksichtigen. Mit den höheren Anforderungen der Leistungsklassen von OWEA gibt es mehr Einflussfaktoren während des gesamten Lebenszyklus, die die Entwurfsqualität der OTS bestimmen. Daher sind für den integrierten Entwurfsprozess große Entwurfsdatenmengen erforderlich, z. B. Strukturdaten, Standortbedingungen, Informationen über Transport- und Installationsschiffe, Informationen über die Rotor-Gondel-Baugruppe, den Turm usw.
Mit der rasanten Entwicklung der Technologien der künstlichen Intelligenz zeigen die Algorithmen des maschinellen Lernens (ML) Vorteile bei der Verarbeitung großer Datenmengen in mehreren Dimensionen und können die komplexen internen Korrelationen zwischen den Merkmalen erkennen. Um die Entwurfsdaten zu akkumulieren und Erfahrungen aus bestehenden OWEA-Projekten sowie die Intuition von Ingenieur:innen im Bereich der Offshore-Windindustrie zu nutzen, ist es daher sinnvoll, ein datenbasiertes ML-Modell zur Bewertung der Entwurfsqualität von OTS zu entwickeln. Die aktuelle Arbeit konzentriert sich im ersten Schritt auf die Entwicklung eines ML-Modells, d. h. die Erstellung einer Datenbank mit bestehenden Jacket-OTS in verschiedenen Windparks auf der ganzen Welt und die Erweiterung der Datenbank mit neuen Realisierungen auf der Grundlage bekannter Entwurfsdaten von OTS. Darüber hinaus werden die Datenpunkte jedes Jacket-OTS-Entwurfs für holistische Bewertungen generiert. Die Bewertungsergebnisse sollten in Form von Qualitätsstufen oder -punkten für jeden Jacket-OTS-Entwurf vorliegen und als Labels in der Datenbank verwendet werden.
Bericht aus dem Jahrbuch 2021
Tragwerksentwurf mit Machine Learning
Offshore-Tragstrukturtypen in Windparks mit unterschiedlichen Wassertiefen
Das Forschungsprojekt B01 wird im Rahmen des Sonderforschungsbereichs (SFB 1463) bearbeitet. Das Ziel des SFB 1463 ist die Erforschung physikalischer und methodischer Grundlagen, basierend auf dem Konzept des digitalen Zwillings, für eine integrierte Entwurfs- und Betriebsmethodik zukünftiger Offshore-Megastrukturen. Unter Offshore-Megastrukturen werden schlanke integrale Strukturen von Offshore-Windenergieanlagen (OWEA) verstanden, die sich durch sehr große Abmessungen und Massen auszeichnen sowie stark dynamisch mit ihrer Umgebung interagieren. Sie können einen wesentlichen Beitrag zum Erfolg der Energiewende leisten, da sie im Vergleich zu heutigen Anlagen eine effizientere Stromerzeugung und kontinuierlichere Stromeinspeisung sicherstellen. Mit den Anforderungen höherer Nennleistungen und größerer Abmessungen haben Randbedingungen aus Fertigung, Installation oder Instandhaltung enormen Einfluss auf die Realisierbarkeit und Wirtschaftlichkeit der OWEA. Der Entwurf dieser Tragstrukturen muss alle Aspekte des Lebensprozesses einbeziehen.
Das Ziel von B01 ist, die Untersuchung des Tragverhaltens durch einen Entwurfsraum zu beschreiben, der die wichtigen Lebensphaseneinflussfaktoren berücksichtigt. Darüber hinaus basiert der Tragwerksentwurf nicht nur auf explizitem theoretischem und praktischem Wissen, wie bspw. Normen, sondern auch auf der Intuition der Ingenieure. Wie diese Intuition mithilfe geeigneter Techniken des maschinellen Lernens (ML) in den Tragwerksentwurf kombiniert werden kann, ist eine wesentliche Aufgabe des Projekts.
In diesem integrierten Entwurfsprozess werden die bisherigen Entwurfserfahrungen und -ansätze mit ML-Methoden kombiniert, um ein Prognosemodell zu erstellen, das die Gesamtentwurfsqualität bei unterschiedlichen Entwurfsvarianten vorhersagen kann. In diesem Zusammenhang muss eine Datenbank von realisierten und simulierten Entwürfen der OWEA erarbeitet und zum Training des ML-Modells verwendet werden. Bislang erfolgte die Analyse des Lebensprozesses von OWEA durch eine umfangreiche Literaturrecherche in Normen, Richtlinien und anderen relevanten Veröffentlichungen. Diese Faktoren werden systematisch geordnet und in Form von Features parametrisiert, die die einzelnen Lebensphasen von OWEA charakterisieren.