SDL Engineering for Energy and Mobility
Im Simulation and Data Life Cycle Lab (kurz SimDataLab oder SDL) "Engineering for Energy and Mobility" forscht ein Team von Wissenschaftlerinnen und Wissenschaftlern des SCC. Es agiert im strategischen Rahmen der Nationalen Allianz für Hochleistungsrechnen. Das SDL wurde gegründet, um den sich ständig weiterentwickelnden Bedürfnissen im Supercomputing- und in der Datenverarbeitung der SCC-Nutzer im Bereich Energie und Mobilität entgegenzukommen. Für das KIT insgesamt und das KIT-Zentrum Energie werden damit strategisch wichtige Themen adressiert.
Das Hauptziel des SDL ist die Unterstützung und Stärkung der Methodenkompetenz der Ingenieurinnen und Ingenieuren beim Einsatz von Supercomputing-Methoden und dem damit verbundenen Datenmanagement für Herausforderungen der Energie- und Mobilitätswende. Dieses Ziel wird unter anderem auch durch die Vereinigung der Kompetenzen von zwei SCC-Forschungsgruppen erreicht - einer Gruppe mit dem Forschungshintergrund in wissenschaftlichem Hochleistungsrechnen und Mathematik und einer mit dem Schwerpunkt auf Datenforschung und Datenanalyse.
Projekte
Projekt 1: NHR@KIT - Zusammenarbeit mit der Universität Rostock
Projekttitel:
Entwicklung und Validierung eines hybriden Gitter-/Partikelverfahrens für turbulente Strömungen unterstützt durch Hochleistungsberechnungen mit OpenFOAM
Zusammenarbeit mit:
Prof. Nikolai Kornev (Universität Rostock), Fakultät für Maschinenwesen und Schiffstechnik, Lehrstuhl für Modellierung und Simulation
Laufzeit:
3 Jahre
Koordinierung innerhalb des SCC:
Dr.-Ing. J.A. Denev (SCC-PI: Prof. Martin Frank)
Kurzbeschreibung:
Das Hauptziel des vorliegenden Projekts ist die Weiterentwicklung und Validierung einer neuen CFD-Methode (Computational Fluid Dynamics), die eine Kombination aus gitterfreien (Partikel) und gitterbasierten Techniken verwendet. Eine grundlegende Annahme dieses neuen Ansatzes ist die Zerlegung jeder physikalischen Größe in einen gitterbasierten (großskaligen) und einen feinskaligen Teil, wobei die großskaligen Teile auf dem Gitter aufgelöst und die feinskaligen Teile durch Partikel dargestellt werden. Die Dynamik der großen und feinen Skalen wird aus zwei gekoppelten Transportgleichungen berechnet, von denen eine auf dem Gitter gelöst wird, während die zweite die Lagrangesche gitterfreie Vortex-Partikel-Methode (VPM) verwendet.
Anwendungsbereiche:
Diese Probleme umfassen externe Strömungsprobleme, z.B. Strömungen um Fahrzeuge wie Schiffe, Autos, Lastwagen oder Flugzeuge mit einem starken Bezug zu Energie (Energieeinsparung) und Mobilität. Insbesondere wird die neue hybride Methode für die Vorhersage der Effizienz und den Entwurf neuer energiesparender Vorrichtungen (ESV) für Schiffe im Modell- und Realmaßstab eingesetzt. Mit ESV lässt sich die abgegebene Leistung um bis zu zehn Prozent reduzieren.
Open source Software:
OpenFOAM
Projekt 2: NHR@KIT - Zusammenarbeit mit Engler-Bunte Institut (KIT) und das Institut für Kolbenmaschinen (KIT)
Projekttitel:
GPU-basierte Methoden des maschinellen Lernens zur Entwicklung von Vorhersagemodellen für die Vorhersage der Abgaseigenschaften von Verbrennungsmotoren während des Kaltstarts aus realen experimentellen Daten
Zusammenarbeit mit:
Prof. Dr.-Ing. Dimosthenis Trimis (KIT, Engler-Bunte Institut, Verbrennung) und Prof. Dr. sc.-techn. Thomas Koch (KIT, Institut für Kolbenmaschinen)
Laufzeit:
3 Jahre
Koordinierung innerhalb des SCC:
Dr.-Ing. J.A. Denev (SCC-PI: Prof. Martin Frank)
Kurzbeschreibung:
Durch umfangreiche Experimente wurden kürzlich große Datensätze über die Leistung von Verbrennungsmotoren beim Kaltstart und auf den ersten Fahrkilometern gewonnen. Die Datensätze enthalten Messungen von mehr als 1000 Parametern, die gleichzeitig in 0.1-Sekundentakt aufgezeichnet worden sind. Dazu gehören unter anderem Motorleistungsparameter, die detaillierte Multikomponentenzusammensetzung des Abgases sowie entsprechende Eigenschaften von Partikeln im Nanometerbereich, die aus elektronenmikroskopischen Aufnahmen zusammengestellt wurden. Ziel des Projekts ist es, Methoden des maschinellen Lernens (ML) auf diese umfassende Datenmenge anzuwenden, um Modelle zu entwickeln, die in der Lage sind, die Abgaszusammensetzung einschließlich der Partikelkonzentrationen und der nanostrukturellen/molekularen Eigenschaften während variabler, instationärer Kaltstartbedingungen vorherzusagen.
Anwendung:
Die Zusammenführung der Daten aus den verschiedenen experimentellen und analytischen Techniken sowohl der Motorparameter als auch der Abgaszusammensetzung der untersuchten Motoren wird zu ML-abgeleiteten Vorhersagemodellen vereint und ein besseres Verständnis der grundlegenden Einflussparameter auf die Schadstoffbildung ermöglichen. Dies wird dazu beitragen, intelligente Motorbetriebsstrategien zu entwickeln, die für zukünftige Biokraftstoff- und reFuel-basierte Motoren eingesetzt werden können.
Open source Software:
HeAT (Helmholtz Analytics Toolkit) library