Veröffentlichungen / Dokumentationen

Forschungsgruppe FOR 2895

Veröffentlichungen der Forschungsergebnisse / Dokumentationen zur Hergehensweise der Forschungsgruppe / Tutorials

Begutachtete
Veröffentlichungen

Lutz, T. Kleinert, J., Waldmann, A., Koop, L., Yorita, D., Dietz, G.: “ Research Initiative for Numerical and Experimental Studies on High Speed Stall of Civil Aircraft“,
Journal of Aircraft, Accepted for publication 2022

Zahn, R., Linke, T., Breitsamter C.: Neural Network Modeling of Transonic Buffet on the NASA Common Research Model. NNFM, Vol. 151, 2021, pp. 698-709.

Rozov, V., Breitsamter, C.: Data-driven prediction of unsteady pressure distributions based on deep learning. Journal of Fluids and Structures, Vol. 104, 2021. https://doi.org/10.1016/j.jfluidstructs.2021.103316

Andre Weiner and Richard Semaan: flowTorch - a Python library for analysis and reduced-order modeling of fluid flows, Journal of Open Source Software, 6(68), 3860, 2021, https://doi.org/10.21105/joss.03860

Zahn, R., Breitsamter, C.: Airfoil buffet aerodynamics at plunge and pitch excitation based on long short-term memory neural network prediction.  CEAS Aeronaut J 13, 45–55 (2022).  https://doi.org/10.1007/s13272-021-00550-6

Konferenz-
beiträge

Zahn, R., Breitsamter C.: High-speed buffet aerodynamics modeling based on a long short-term memory neural network. DLRK2020, Paper 0027, 2020.

Zahn, R., Breitsamter, C.: Prediction of Transonic Wing Buffet Pressure Based on Deep Learning. DLRK2021, Paper 0033, 2021.

Daniel Fernex, Andre Weiner, Bernd Noack and Richard Semaan: Sparse Spatial Sampling: A mesh sampling algorithm for efficient processing of big simulation data, AIAA 2021-1484, AIAA Scitech 2021 Forum, January 2021, https://doi.org/10.2514/6.2021-1484

Andre Weiner and Richard Semaan: Simulation and modal analysis of transonic shock buffets on a NACA-0012 airfoil, AIAA 2022-2591, AIAA SCITECH 2022 Forum, January 2022, https://doi.org/10.2514/6.2022-2591

Datenanalysetool
flowTorch

flowTorch - a Python library for analysis and reduced-order modeling of fluid flows

Die flowTorch-Bibliothek [1, 2] ermöglicht es Anwendern auf Strömungsdaten aus Experimenten oder numerischen Simulationen zuzugreifen, sowie diese zu analysieren und zu modellieren. Anstelle einer Black-Box End-to-End-Lösung bietet flowTorch modulare Komponenten, die es ermöglichen, transparente, automatisierte und reproduzierbare Datenverarbeitungsabläufe mit Leichtigkeit zusammenzustellen. Strömungsdaten aus Experimenten (PIV, iPSP, Schlieren) oder Simulationen (TAU, Flexi, OpenFOAM) können über eine gemeinsame Schnittstelle in wenigen Zeilen Python-Code verfügbar gemacht werden. Intern sind die Daten als PyTorch-Tensoren organisiert. Die Verwendung von PyTorch-Tensoren als primäre Datenstruktur ermöglicht schnelle Array-Operationen, parallele Verarbeitung auf CPU und GPU sowie die Entwicklung neuartiger Deep-Learning-basierter Analyse- und Modellierungsansätze. Die flowTorch Dokumentation enthält auch eine umfangreiche Sammlung von Jupyter-Notebooks [3], die zeigen, wie die Bibliothekskomponenten in einer Vielzahl von verschiedenen Anwendungsfällen eingesetzt werden können, z. B. bei der Suche nach kohärenten Strukturen mittels modaler Analyse oder bei der Erstellung von ordnungsreduzierten Modellen.

POD and DMS

00:06
© for2895

POD und DMD Moden charakteristisch für die Stoß-Grenzschicht-Interaktionen. Die dominante Buffet-Frequenz liegt bei etwa 340Hz.

Vergleichende Animation der experimentell ermittelten Druckverteilung und der DMD Rekonstruktion.

Das Bild zeigt die dominante Struktur (Mode) in zeitaufgelösten Druckdaten von der Oberfläche des XRF1-Modells. Für die Analyse instationärer Strömungen stehen in flowTorch sowohl die Hauptkomponentenanalyse (POD) als auch die dynamische Modenzerlegung (DMD) zur Verfügung.

Die DMD zerlegt die Strömung in räumliche Strukturen, sogenannte Moden. Jede Mode ist mit einer eindeutigen Frequenz verbunden. Durch die Überlagerung weniger dominanter Moden in der Nähe der Buffetfrequenz können die wichtigsten Strömungsmerkmale abgebildet werden.

[1] https://doi.org/10.21105/joss.03860

[2] https://github.com/FlowModelingControl/flowtorch

[3] https://flowmodelingcontrol.github.io/flowtorch-docs/1.0/index.html

Vergleichende Animation der experimentell ermittelten Druckverteilung und der DMD Rekonstruktion.
Vergleichende Animation der experimentell ermittelten Druckverteilung und der DMD Rekonstruktion.
Dieses Bild zeigt Thorsten Lutz

Thorsten Lutz

Dr.-Ing.

Leiter Luftfahrzeugaerodynamik / Leiter Windenergie

Zum Seitenanfang