• English
  • Deutsch
  • Log In
    Password Login
    Research Outputs
    Fundings & Projects
    Researchers
    Institutes
    Statistics
Repository logo
Fraunhofer-Gesellschaft
  1. Home
  2. Fraunhofer-Gesellschaft
  3. Konferenzschrift
  4. Modeling for Thermal Analysis of a High-Speed Electric Motor using Gaussian Processes
 
  • Details
  • Full
Options
October 25, 2023
Conference Paper
Title

Modeling for Thermal Analysis of a High-Speed Electric Motor using Gaussian Processes

Abstract
Um eine Brennstoffzelle mit Luft als Oxidationsmittel mit einem gewünschten Druck zu versorgen, werden Turbokompressoren benötigt. Sie sind jedoch in ihrem Bauraum begrenzt und müssen gleichzeitig eine hohe Leistungsdichte bereitstellen, die mit aktuellen Motorkonzepten nicht gewährleistet werden kann. In einem Kooperationsprojekt zwischen den Instituten Fraunhofer LBF, Fraunhofer IFAM, Fraunhofer IISB und Fraunhofer SCAI haben wir ein Motordesign entwickelt, das die gewünschte Drehmomentdichte durch direkte Kühlung von Stator und Rotor erreicht. Um das optimale Maschinendesign zu ermitteln, haben wir mehrere Multiphysik-Simulationen durchgeführt, die in den mechanischen Bereich, den elektromagnetischen Bereich, das thermische Verhalten des Rotors und das thermische Verhalten des Stators mit gemeinsamen Randbedingungen unterteilt sind. Unter Verwendung der verfügbaren Simulationsdaten und unter der Annahme einer festen Maschinengeometrie wurden für jeden physikalischen Bereich Gaussprozesse trainiert, wobei die jeweiligen Eingangsparameter variiert und Unsicherheitsbereiche für jeden von ihnen angenommen wurden. Die einzelnen Surrogatmodelle wurden anschließend zu einem vollständigen digitalen Zwilling der Maschine kombiniert und ausgewertet, um die Auswirkungen insbesondere des Volumenstroms und der Wärmeleitfähigkeit des Kühlmediums auf die maximale Endtemperatur des Motors zu untersuchen. Die Verwendung von Gaussprozessen ermöglicht die Quantifizierung der Modellunsicherheit, die sich entlang der Simulationskette ausbreitet.
Author(s)
Sakellaris, Helena
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI  
Bayrasy, Pascal  
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI  
Mainwork
NAFEMS-Seminar "Artificial Intelligence und Machine Learning in der CAE-basierten Simulation" 2023  
Project(s)
Hochdrehzahlantrieb für Brennstoffzellen-Luftverdichter in Nutzfarhzeug und Luftfahrtanwendungen
Funder
Conference
Seminar "Artificial Intelligence und Machine Learning in der CAE-basierten Simulation" 2023  
Link
Link
Language
English
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI  
Keyword(s)
  • Machinelles Lernen

  • Digitale Zwillinge

  • Multiphysics-Simulationen

  • Unsicherheitsquantifizierung

  • Unsicherheitspropagation

  • Cookie settings
  • Imprint
  • Privacy policy
  • Api
  • Contact
© 2024