Artificial Intelligence Application for the Development of New AeroEngines

In order to make commercial aviation future-proof and strengthen its competitiveness, the European Commission published the Flightpath 2050 strategy in 2011, which, among other things, aims to reduce the aviation industry's CO2 emissions by 75% by 2050 compared to the year 2000. In order to achieve these ambitious goals, the efficiency of modern engines must be increased significantly, with artificial intelligence and increasing digitalization playing a key role (BMK, 2020).
The Institute for Thermal Turbomachinery and Machine Dynamics at TU Graz has been researching the design of so-called turbine transition channels, which play a key aerodynamic role in modern aircraft engines, for many years. Through this research, the institute has a large and excellently validated database. In the course of the ARIADNE project, this is to be used by means of an AI application. To this end, the following work and goals are to be implemented together with another institute at TU Graz and two small Austrian companies in order to provide tools for the optimization of turbine transition channels:
• Creation of a database on the aerodynamics of transition channels, fed by CFD and experimental results for a variety of geometries and flow conditions. The structure should allow rapid access and efficient use of the data for AI applications.
• Development of data reduction methods for efficient AI applications based on linear POD methods and machine learning.
• Based on this, development of a method that allows extremely rapid flow predictions for new applications while adhering as closely as possible to the conservation equations of fluid mechanics.
• Development of a tool for checking future measurements for their plausibility. This also allows the detection of possible faulty measuring points.
• Development of a tool for evaluating future CFD calculations of transition channels for their plausibility. This also allows the detection of possible errors in the model assumptions or in the mesh resolution.
• Application of the tools to potentially gain new insights into structures, patterns and regularities in the flow of transition channels
• Finally, coupling the developed tools with an available optimizer with the aim of being able to carry out geometry optimization much more quickly and efficiently than with optimizations based purely on flow solvers.

[Original text]
"Artificial Intelligence Application for the Development of New AeroEngines"
Um die kommerzielle Luftfahrt zukunftsfähig zu machen und ihre Wettbewerbsfähigkeit zu stärken, wurde von der Europäischen Kommission 2011 die Strategie Flightpath 2050 herausgegeben, die u.a. das Ziel verfolgt, die CO2 Emissionen der Luftfahrtbranche bis 2050 um 75% bezogen auf das Jahr 2000 zu senken. Um diese ambitionierten Ziele zu erreichen, muss die Effizienz moderner Triebwerke in erheblichem Maße gesteigert werden, wobei der Künstlichen Intelligenz und zunehmenden Digitalisierung eine Schlüsselrolle zukommt (BMK, 2020). 
Das Institut für thermische Turbomaschinen und Maschinendynamik der TU Graz forscht bereits seit vielen Jahren an der Auslegung sogenannter Turbinenübergangskanäle, welche eine aerodynamische Schlüsselrolle in modernen Flugzeugtriebwerken spielen. Durch diese Forschungsarbeiten ist das Institut im Besitz einer großen und ausgezeichnet validierten Datengrundlage. Im Zuge des Projekts ARIADNE soll diese mittels einer KI-Anwendung genutzt werden. Dazu sollen gemeinsam mit einem weiteren Institut der TU Graz sowie zwei österreichischen Kleinunternehmen folgende Arbeiten und Ziele umgesetzt werden, um Werkzeuge für die Optimierung von Turbinenübergangskanäle bereitzustellen:
• Aufbau einer Datenbank über die Aerodynamik von Übergangskanälen, gespeist von CFD- und experimentellen Ergebnissen für eine Vielzahl von Geometrien und Strömungsbedingungen. Die Struktur soll einen raschen Zugriff und eine effiziente Nutzung der Daten für KI-Anwendungen erlauben.
• Entwicklung von Verfahrens zur Datenreduktion für effiziente KI-Anwendungen basierend auf linearen POD-Methoden und Machine Learning.
• Daraus aufbauend Entwicklung eines Verfahrens, das äußerst rasche Strömungsvorhersagen für neue Anwendungsfälle unter möglichster Einhaltung der Erhaltungsgleichungen der Strömungsmechanik erlaubt
• Entwicklung eines Werkzeugs zur Überprüfung zukünftiger Messungen auf ihre Plausibilität. Dies erlaubt auch das Erkennen möglicher fehlerhafter Messstellen.
• Entwicklung eines Werkzeugs zur Evaluierung zukünftiger CFD-Berechnungen von Übergangskanälen auf ihre Plausibilität. Dies erlaubt auch das Erkennen möglicher Fehler in den Modellannahmen oder in der Netzauflösung.
• Anwendung der Werkzeuge, um möglicherweise neue Erkenntnisse zu Strukturen, Muster und Gesetzmäßigkeiten in der Strömung von Übergangskanälen zu gewinnen
• Abschließend Kopplung der entwickelten Werkzeuge mit einem verfügbaren Optimierer mit dem Ziel, Geometrieoptimierung deutlich rascher und effizienter durchführen zu können als mit rein auf Strömungslöser basierten Optimierungen.