Training Neuronaler Netze am Beispiel eines Wärmetauschers auf Basis vorhandener CFD Daten

Ziel in diesem Beispiel ist es, zukünftig mit Hilfe eines trainierten KNNs in Sekundenschnelle die Geometrievariante für einen neuen Wärmetauschers zu ermitteln, welche die bestmögliche Kühlleistung liefert, ohne erneut aufwändige CFD Simulationen durchführen zu müssen.  Basierend auf einer Vielzahl von vorhandenen Simulationsergebnissen zu unterschiedlichen Geometrievarianten wurde ein KNN trainiert.

Nachfolgend ist der KNN Trainingsprozess anhand der vorhandenen CFD-Kühlkörper-Simulationsdatenbank dargestellt. Als Plattform für das KNN Training wurde Tensorflow eingesetzt und als Softwareumgebung Anaconda.

Für das vorliegende KNN wurden ca. 800 Datensätze verwendet. Jeder Datensatz beinhaltet sowohl geometrische und physikalische Parameter des jeweiligen Kühlkörpers als auch das Ergebnis der jeweiligen CFD Simulation (Kühlleistung). Dabei wurden 70% der vorhanden Datensätze für das Training verwendet und jeweils 15% für Test und Validierung des trainierten KNNs.

Nach erfolgreichem KNN Training können mit einer Genauigkeit von +/-10% die Kühlleistungen für variierende Inputdaten eines Kühlkörpers vorhergesagt werden.