Der Schwerpunkt der vorliegenden Arbeit liegt auf der Modellierung reduzierter Ordnung der instationären Aerodynamik. Mittels randbedingungsbasierter Ansätze wird sowohl die Effizienz als auch der Detaillierungsgrad von linearisierten CFD-Methoden signifikant gesteigert. Darüber hinaus wird ein auf Deep Learning basiertes, datengetriebenes Modell entwickelt, das in der Lage ist das nichtlineare, bewegungsinduzierte Verhalten komplexer, transsonischer Druckverteilungen äußerst genau und effizient vorherzusagen.
«
Der Schwerpunkt der vorliegenden Arbeit liegt auf der Modellierung reduzierter Ordnung der instationären Aerodynamik. Mittels randbedingungsbasierter Ansätze wird sowohl die Effizienz als auch der Detaillierungsgrad von linearisierten CFD-Methoden signifikant gesteigert. Darüber hinaus wird ein auf Deep Learning basiertes, datengetriebenes Modell entwickelt, das in der Lage ist das nichtlineare, bewegungsinduzierte Verhalten komplexer, transsonischer Druckverteilungen äußerst genau und effizient...
»
Translated abstract:
The present work is focused on the reduced order modeling of unsteady aerodynamics. By means of boundary-condition-based approaches, both the efficiency and the level of detail of linearized CFD methods are significantly increased. Furthermore, a Deep-Learning-based, data-driven model is developed that is able to predict the nonlinear, motion-induced behavior of complex, transonic pressure distributions in a highly accurate and efficient manner.