ML-gestütztes Impeller-Design in Turbomachinery

Als Industrial Pump Group (IPG), ein niederländischer internationaler Akteur im Verkauf, der Überholung und Beratung von Pumpen und Bauteilen, kennen wir die Herausforderungen der Turbomachinery, insbesondere bei der Impeller-Entwicklung. In der Praxis steigt der Druck, Effizienz zu steigern und Betriebskosten zu senken. Moderne Technologien wie machine learning helfen, Muster in großen Datensätzen zu erkennen und Fundamente für data-driven design zu legen. Dabei verbinden wir jahrelange Praxiserfahrung mit systematischer Entwicklung, um impeller design zielgerichtet zu optimieren und typische Fallstricke zu vermeiden.

Machine Learning in der Impeller-Entwicklung

Unsere Erfahrung zeigt, dass ML-basierte Ansätze die aerodynamic optimization in der turbomachinery-Entwicklung signifikant voranbringen. In der Praxis arbeiten wir mit turbomachinery-Komponenten, bei denen kleine geometrische Änderungen große Auswirkungen auf Leckströme, Druckverläufe und Effizienz haben. CFD-Surrogate-Modelle beschleunigen die Bewertung neuer Entwürfe, während echte CFD-Simulationen als Validierung dienen. So entsteht eine data-driven design-Kette, die vom ersten Konzept bis zur Fertigung Transparenz und Nachvollziehbarkeit bietet.

Anwendungen in der Turbomachinery

In Projekten mit turbomachinery aggregieren wir Daten aus Feldtests, Laboruntersuchungen und Wartungsberichten. Die CFD surrogate models liefern schnelle Vorhersagen von Druckverteilung, Strömungsverlusten und Wirbelbildung, während die detaillierte Analyse in der herkömmlichen CFD fortgeführt wird. Für compressor impeller und pump impeller ermöglichen diese Modelle eine gezielte Geometrie-Varianz-Studie, um Leistungspotenziale zu optimieren.

• Reduzierte Designzyklen durch datenbasierte Optimierung
• Verbesserte Robustheit gegenüber Fertigungsungenauigkeiten
• Frühzeitige Risikoerkennung in der Betriebsführung
• Skalierbarkeit der Ergebnisse von Pump- auf Kompressor-Anwendungen

IPG kombiniert Erfahrungen aus Overhauls, Servicetests und Anlageninbetriebnahmen mit neuem Sensordatenmaterial, um robuste ML-Modelle zu trainieren. Die Modelle unterstützen aerodynamic optimization und ermöglichen eine sichere Entscheidung bei Materialien, Strömungskanälen und Blattgeometrie, mit Fokus auf Zuverlässigkeit und Wartungsfreundlichkeit.

Praktische Umsetzung bei Pump- und Kompressor-Impellern

In der Praxis sehen wir zwei zentrale Anforderungen: Effizienz der Strömungslinien und strukturelle Integrität. Beim impeller design geht es darum, die Balance zwischen Leistungskennzahlen, Schlagfestigkeit und Vibrationsverhalten zu finden. ML-gestützte Multi-Objektive-Optimierung hilft, Blattwinkel, Laufradwinkel und Schaufelformen so anzupassen, dass sowohl compressor impeller als auch pump impeller robust bleiben. CFD surrogate models liefern schnelle Antworten auf Hypothesen; die abschließende Validierung erfolgt durch gezielte CFD- oder Testumgebungen.

• Fallbeispiel: Ein Pumpenanbieter senkte die Iterationen für einen neuen pump impeller-Typ um rund 40% durch data-driven design.
• Fallbeispiel: Bei einer Kompressor-Upgrade-Kampagne wurde die Ausfallwahrscheinlichkeit durch ML-gestützte Optimierung reduziert.

Diese Praxis zeigt: Qualitätssicherung, Nachverfolgbarkeit und Sicherheitsstandards müssen integraler Bestandteil jeder ML-gestützten Designstrategie sein. IPG setzt daher auf nachvollziehbare Modelle, klare Performance-KPIs und regelmäßige Audits, damit Kunden sicher produzieren und betreiben können.