Die Leidenschaft eines EPFL-Professors für nachhaltige Luftfahrt, kombiniert mit seinem Fachwissen in den Bereichen maschinelles Lernen und Computer Vision, treibt die Innovation im Bereich des nachhaltigen Flugzeugdesigns voran.
Die aerodynamische Formoptimierung (ASO) ist eine Schlüsseltechnik des aerodynamischen Designs. Sie zielt darauf ab, die physikalische Leistung eines Objekts zu verbessern und gleichzeitig bestimmte Einschränkungen einzuhalten.
Um eine 3D-Form zu optimieren, muss sie anhand einer Reihe von Parametern dargestellt werden, die an den Optimierer weitergegeben werden können. Eine Standardmethode, um dies zu erreichen, ist die Verwendung einer Technik namens Freiformverformung (FFD). Leider erfordert dies einen erheblichen manuellen Eingriff, und selbst wenn diese Technik von einer Expertin oder einem Experten auf dem Gebiet angewandt wird, sind oft viele Versuche und Fehler nötig, um ein zufriedenstellendes Ergebnis zu erzielen.
Tiefe geometrische Kartierung
Wissenschaftler des Computer Vision Laboratory (CVLab) an der Fakultät für Informatik und Kommunikation (IC) haben in Zusammenarbeit mit Kollegen der ISAE-SupAero in Frankreich das Modell DeepGeo entwickelt, einen vollautomatischen Ansatz, der auf einem neuronalen Netz basiert, um die erforderlichen Parameter für komplexe Geometrien zu erzeugen.
"DeepGeo erfüllt die gleiche Funktion wie FFD, nutzt aber die jüngsten Entwicklungen im Bereich des Deep Learning, um die Notwendigkeit menschlicher Basteleien zu eliminieren. Der Algorithmus findet die richtigen Parameter, die dann zur Optimierung des Flugzeugdesigns verwendet werden. Es ist nicht mehr nötig, Monate damit zu verbringen, die richtigen Einstellungen zu finden", erklärt Professor Pascal Fua, Leiter des CV Lab.
DeepGeo passt auch die Modellierung der volumetrischen Netze - das diskretisierte Rechengebiet, das das Zielobjekt umgibt - an, wenn sich dessen Form im Laufe der Optimierung ändert. Diese volumetrischen Netze werden benötigt, um die notwendigen fluiddynamischen Berechnungen durchzuführen, und die Automatisierung ihrer Verformung reduziert die Arbeitslast der Designerinnen und Designer weiter.
Weil es innovativ und potenziell transformativ ist, hat der korrespondente Artikel kürzlich auf der größten Luftfahrtkonferenz des Jahres, dem American Institute of Aeronautics and Astronautics Forum’24 , den Preis für die beste studentische Kommunikation gewonnen.
Dieses Papier beschreibt detailliert, wie DeepGeo, das auf tiefen geometrischen Lerntechniken basiert, funktioniert, ohne dass große Trainingsdatensätze erforderlich sind. Mehrere von den Wissenschaftlern durchgeführte Fallstudien, darunter die 2D-Optimierung des Kreises am Flügel, die 3D-Optimierung von CRM-Flügeln und die 3D-Optimierung von Mischflügelflügeln, belegen die Effizienz und Robustheit von DeepGeo. Es bietet eine mit der FFD-Technik vergleichbare Leistung zu einem Bruchteil der Kosten in Bezug auf den Aufwand, der von menschlichen Konstrukteuren und Konstrukteurinnen benötigt wird.
"Durch den Wegfall der Notwendigkeit umfangreicher Datensätze und Hyperparametereinstellungen reduziert DeepGeo die Komplexität und die Kosten der Implementierung erheblich, und unsere Forschung unterstreicht sein Potenzial, ASO zu automatisieren und damit zugänglicher und effizienter zu machen", fügt Zhen Wei, Assistant Doctoral Fellow am CV Lab und Hauptautor des Artikels, hinzu.
Eine persönliche Leidenschaft für umweltfreundliches Flugzeugdesign
Pascal Fuas Bestreben, das umweltfreundliche Flugzeugdesign zu optimieren, geht über das CV Lab hinaus. Als leidenschaftlicher Segelflieger nahm er kürzlich an einer Expedition mit motorisierten Segelflugzeugen von Chambéry in Frankreich nach Ourzazate in Marokko teil.
Pascal Fua nutzte dieses fantastische Abenteuer, um die Nachhaltigkeit der Reise ständig zu überwachen und seine Erfahrungen als Amateur "in der Luft" als Inspirationsquelle für neue Forschungsideen zu nutzen. Der Großteil der Strecke wurde im Gleitflug zurückgelegt und Motoren wurden nur sparsam eingesetzt. Über 5000 km wurden zurückgelegt, wobei weniger als 3 Liter Treibstoff auf 100 km verbraucht wurden.
"Für eine nachhaltigere Luftfahrt besteht das Spiel im Wesentlichen darin, die Form der Flugzeuge zu verändern, um den Luftwiderstand zu verringern. Das ist ein Problem, das es schon immer gegeben hat", erklärt Pascal Fua. "In Zukunft wollen wir DeepGeo zunächst bei den Modellsegelflugzeugen einsetzen, die für FAI-Wettbewerbe verwendet werden. Weil sie so viele widersprüchliche Anforderungen erfüllen müssen und gleichzeitig einigermaßen günstig zu bauen sind, sind sie ein fantastischer Prüfstand für unsere Technologie."
Über die nachhaltige Luftfahrt hinaus
Während die Miniaturgleiter eine Demonstration dessen liefern werden, was DeepGeo leisten kann, ist das Untersuchungsfeld viel breiter: Diese Forschung betrifft die Optimierung des Designs und der Effizienz von Verkehrsflugzeugen und Passagierfluggesellschaften - Flugzeuge mit Triebwerken - und viele andere Anwendungen.
Über den Bereich der Luftfahrt hinaus ist das automatisierte simultane Design interagierender Formen, wie z. B. zusammenhängende Autokomponenten oder innere Teile von Turbinen, ein allgegenwärtiges und offenes Problem. Eines der langfristigen Ziele von Pascal Fua ist es, die Modellierung, Manipulation und Optimierung von Verbundobjekten, deren Teile willkürliche Formen oder Topologien haben können, zu revolutionieren, indem sowohl Designbeschränkungen für einzelne Teile als auch Kompatibilitätsbeschränkungen zwischen diesen Teilen auferlegt werden.
"DeepGeo bietet eine vielversprechende Lösung für komplexe geometrische Parametrisierungen im Bereich der aerodynamischen Formoptimierung. Zukünftige Arbeiten in dieser Richtung werden für die Entwicklung energieeffizienter Maschinen in einer Zeit, in der die Verringerung der Auswirkungen der Menschheit auf die Umwelt zu einem wichtigen Anliegen geworden ist, von entscheidender Bedeutung sein", schloss Pascal Fua.
