Im Rahmen dieser Arbeit wird ein neu entwickeltes Entwurfssystem auf der Basis künstlicher neuronaler Netze vorgestellt, mit dem in kurzer Zeit nahezu optimale Beschaufelungen hydraulischer Maschinen generiert werden können. Das System ermöglicht die Aufbereitung und Parametrisierung vorhandener Geometrien von Francis Turbinen und Kreiselpumpen, die in Abhängigkeit von einer beliebigen Anzahl an Betriebspunktparametern mit dem integrierten Backpropagation Lernverfahren trainiert werden können. Am Beispiel einer Baureihe von sechs Francis Turbinen sowie sechs Kreiselpumpen wird gezeigt, dass das entwickelte Verfahren in der Lage ist, einen funktionalen Zusammenhang zwischen Betriebspunkt und Geometrie zu erkennen, zu lernen und neue Geometrien mit vergleichbaren Strömungseigenschaften zu erzeugen. Als Ergebnis dieser Arbeit zeigt sich, dass der Einsatz künstlicher neuronaler Netze eine erhebliche Zeitersparnis im Entwurfs- und Optimierungsprozess von Strömungsmaschinen bedeutet.     «

Im Rahmen dieser Arbeit wird ein neu entwickeltes Entwurfssystem auf der Basis künstlicher neuronaler Netze vorgestellt, mit dem in kurzer Zeit nahezu optimale Beschaufelungen hydraulischer Maschinen generiert werden können. Das System ermöglicht die Aufbereitung und Parametrisierung vorhandener Geometrien von Francis Turbinen und Kreiselpumpen, die in Abhängigkeit von einer beliebigen Anzahl an Betriebspunktparametern mit dem integrierten Backpropagation Lernverfahren trainiert werden können. A...     »

In this thesis a newly developed design system based on artificial neural networks is presented to generate nearly optimal hydraulic machinery bladings within a short time. The system allows the preprocessing and parametrization of existing geometries of Francis turbines and centrifugal pumps which can be trained with the integrated backpropagation algorithm depending on an arbitrary number of operating point parameters. Considering as example a series of six Francis turbines and six centrifugal pumps it will be demonstrated that the developed system is able to recognize and to learn a functional relationship between operating point and geometry and to generate new geometries with comparable flow characteristics. As result of this thesis it is shown that the use of artificial neural networks means considerable saving of time in the design and optimization process of fluid machinery.     «

In this thesis a newly developed design system based on artificial neural networks is presented to generate nearly optimal hydraulic machinery bladings within a short time. The system allows the preprocessing and parametrization of existing geometries of Francis turbines and centrifugal pumps which can be trained with the integrated backpropagation algorithm depending on an arbitrary number of operating point parameters. Considering as example a series of six Francis turbines and six centrifugal...     »