CFD- und Daten-basierte Vorhersage und Optimierung strömungsmecha­nischer Apparate in der Cloud

Das CFDPredict-Projekt zielt darauf ab, innovative Methoden zur Vorhersage und Optimierung strömungsmechanischer Apparate durch die Kombination von Strömungssimulationen (CFD) und datenbasierten Ansätzen in der Cloud zu entwickeln. Diese Technologie ist entscheidend für Unternehmen im Bereich Klimatechnik, Transport, Verfahrenstechnik und Pharmazeutik, die nach besseren Lösungen für ihre strömungsmechanischen Anwendungen suchen.

Steigende Energiekosten, strengere gesetzliche Anforderungen und Marktdruck sind wesentliche Gründe dafür, dass Unternehmen im Bereich Klimatechnik, Transport, Verfahrenstechnik oder Pharmazeutik einen immer größeren Bedarf an der Verbesserung strömungsmechanischer Apparate und Prozesse haben. Besonders häufig kommen dabei CFD zum Einsatz, da sie tiefe Einblicke in komplexe physikalische Zusammenhänge erlauben und einfache „digitale Experimente“ ermöglichen.

Das Projekt CFDPredict entwickelt Methoden zur datenbasierten Vorhersage und Optimierung strömungsmechanischer Apparate, die auf der Kombination von CFD-Simulationen und Machine Learning-Algorithmen basieren. Ziel ist es, die Rechenzeit und Kosten für strömungsmechanische Optimierungen durch ordnungsreduzierte Modellierung um mehrere Größenordnungen zu reduzieren. Die Algorithmen werden an prototypischen Apparaten demonstriert:

• Rotationswärmeübertrager
• Umlenkbleche in Kanälen
• Dralldüsenzerstäuber

Alle Enwicklungen sind auf der Projektseite verfügbar: https://github.com/AndreWeiner/CFDPredict

Kooperation	DHCAE GmbH
Förderung	„Zentrales Innovationsprogramm Mittelstand“ (ZIM) – Teil Kooperation KF (Förderkennzeichen  16KN119021)
Kontakt	M. Sc. Janis Geise Dr.-Ing. Andre Weiner