KI in der Luftfahrt: Wie ein Modell der TU Graz die Triebwerksentwicklung beschleunigt

Die europäische Luftfahrt steht vor einem klaren Ziel: Bis 2050 sollen Emissionen, Energieverbrauch und Treibstoffbedarf drastisch sinken. Effiziente Triebwerke spielen dabei eine Schlüsselrolle. An der TU Graz ist nun ein Forschungsteam einen entscheidenden Schritt weitergekommen – mit einem selbst entwickelten, KI-gestützten Modell, das die KI-Triebwerksoptimierung entscheidend vorantreibt.

Warum KI-Triebwerksoptimierung entscheidend ist

Im Rahmen der EU-Strategie „Flightpath 2050“ müssen Flugzeughersteller ihre Antriebssysteme stetig verbessern. Eine oft unterschätzte Komponente sind die Übergangskanäle zwischen Hoch- und Niederdruckturbine: Sie verbinden zwei Turbinenstufen, die mit unterschiedlichen Drehzahlen laufen, und haben großen Einfluss auf Effizienz und Gewicht.

Diese Bauteile bieten enormes Optimierungspotenzial – doch klassische Strömungssimulationen sind extrem zeitaufwendig. Genau hier setzt das neue Verfahren der TU Graz an.

Optimierung von Turbinenkanälen mit KI: Ein Datenfundus wird nutzbar

Das Institut für Thermische Turbomaschinen der TU Graz hat über Jahre Messdaten und Simulationsergebnisse zu Strömungen in Turbinenübergangskanälen gesammelt. Gemeinsam mit dem Institute of Software Engineering and Artificial Intelligence entstand daraus eine interdisziplinäre Forschungsinitiative.

Ziel: Ein Modell, das Veränderungen an Geometrien, etwa Länge oder Krümmung der Kanäle, wesentlich schneller bewertet als herkömmliche CFD-Simulationen. Dadurch lassen sich Entwicklungszyklen verkürzen und mehr Varianten testen, ohne immense Rechenzeit zu benötigen.

Reduced Order Model: Der KI-Ansatz mit dem größten Erfolg

Von drei untersuchten Methoden erwiesen sich sogenannte Reduced Order Models (ROMs) als besonders erfolgreich. Diese Modelle identifizieren Gemeinsamkeiten in umfangreichen Datensätzen und reduzieren sie auf wenige, aber entscheidende Merkmale.

Der Effekt:

• Berechnungen laufen mehrere Größenordnungen schneller.

• Trends, Effizienzpotenziale und kritische Parameter lassen sich frühzeitig erkennen.

• Geometrieänderungen wie Längenanpassungen können nahezu in Echtzeit bewertet werden.

Zwar liegt die Genauigkeit etwas unter komplexen Vollsimulationen, doch für die Konzept- und Vorentwicklung bieten ROMs eine enorme Zeitersparnis – ein entscheidender Vorteil in der KI-Triebwerksoptimierung.

Andere Ansätze wie Surrogate Models oder Physics Informed Neural Networks (PINNs) erreichten im Projekt nicht die gleiche Praxistauglichkeit. Surrogate Models scheiterten an einer zu kleinen Datenbasis, während PINNs noch Entwicklungsbedarf aufweisen.

Nächster Schritt: KI-Triebwerksoptimierung in 3D

Derzeit bildet das erfolgreiche Modell die Turbinenübergangskanäle zweidimensional ab. Das Forschungsteam arbeitet bereits an der dreidimensionalen Erweiterung – ein komplexer, aber entscheidender Schritt, um reale Triebwerksgeometrien vollständig abzubilden.

Um den Fortschritt zu beschleunigen, stellt die TU Graz ihre umfangreiche Datenbank und das ROM künftig anderen Forschungsgruppen online zur Verfügung. So soll ein internationaler Entwicklungsprozess entstehen, der die KI-Triebwerksoptimierung weiter vorantreibt.

Projektleiter Wolfgang Sanz betont zudem, wie wertvoll KI für neue Perspektiven ist: Machine-Learning-Ansätze hätten Zusammenhänge offengelegt, die ohne KI unentdeckt geblieben wären.