details_view: 1 von 1

 

Verbundvorhaben: REACT-AI - Reaktionsschnelle Bereitstellung von Gasturbinen-Lösungen für die Energiewende mittels einer neuartigen, generativen KI-Designkette; Teilvorhaben: Automatisierung und Effizienzsteigerung für KI-gestützte Simulation

Zeitraum
2025-08-01  –  2028-07-31
Bewilligte Summe
147.465,63 EUR
Ausführende Stelle
d.u.h.Group GmbH, Beckum, Nordrhein-Westfalen
Förderkennzeichen
03EE5191B
Leistungsplansystematik
Rückverstromung von Wasserstoff und erneuerbaren Gasen/Brennstoffen - Turbinen [EA1704]
Verbundvorhaben
01281402/1  –  REACT-AI - Reaktionsschnelle Bereitstellung von Gasturbinen-Lösungen für die Energiewende mittels einer neuartigen, generativen KI-Designkette; Teilvorhaben: KI-gestütztes Design von Turbinenschaufeln
Zuwendungsgeber
Bundesministerium für Wirtschaft und Energie (BMWE.IIC2)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESE5)
Förderprogramm
Energie
 
Der Fokus des Teilvorhabens liegt auf der Erstellung, Verifizierung und Optimierung der Datenbasis für ein leistungsfähiges Foundation-Modell. Das Ziel ist es, Trainingsdaten in ausreichender Menge, Varianz und in einem geeigneten Zeitraum zu erstellen. Die Basis dafür muss ein robuster Simulationsprozess für thermische und thermomechanische Strukturanalysen von gekühlten und ungekühlten Laufschaufeln bilden. Ein anschließendes zentrales Ziel des Teilvorhabens besteht darin, Methoden zu entwickeln, die es ermöglichen, die generierte Datenbasis zu reduzieren und in einer optimierten Form aufzubereiten. Diese Datenreduktion ist entscheidend, um die immense Menge an Simulationsdaten auf ein handhabbares Maß zu bringen, ohne relevante Informationen zu verlieren. Die aufbereitete Datenbasis soll so gestaltet sein, dass sie optimal für das Training und die Nutzung des Foundation-Modells eingesetzt werden kann. Darüber hinaus strebt die d.u.h. Group an, sowohl die Ergebnisqualität als auch die Effizienz des gesamten Prozesses deutlich zu steigern. Dies umfasst die Implementierung von Ansätzen, die es ermöglichen, qualitativ hochwertige Trainingsdaten in einem vertretbaren Zeitrahmen zu generieren. Durch diese Effizienzsteigerung soll sichergestellt werden, dass die Methoden nicht nur theoretisch fundiert, sondern auch praktisch anwendbar sind und eine hohe Skalierbarkeit bieten. Diese Ansätze versuchen wir mit einer Erweiterung der Submodelltechnik zu erzielen.