Verbundvorhaben: REACT-AI - Reaktionsschnelle Bereitstellung von Gasturbinen-Lösungen für die Energiewende mittels einer neuartigen, generativen KI-Designkette; Teilvorhaben: Generative Modelle für industrielle Komponenten am Beispiel von Turbinenschaufeln
Zeitraum
2025-08-01 – 2028-07-31
Bewilligte Summe
557.367,60 EUR
Ausführende Stelle
Förderkennzeichen
03EE5191D
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
Das Projekt zielt darauf ab, KI-Modelle für die Strukturmechanik von Gasturbinen zu entwickeln, um Entwicklungsprozesse und die Lebensdauerabschätzung von Bauteilen zu optimieren. Der Fokus liegt auf der Beschleunigung von Designzyklen durch die damit ermöglichten schnellen und präzisen Vorhersagen für strukturmechanische Kenngrößen wie Spannung, Dehnung und Verformung. Ferner ist das Ziel, neue Designs für Turbinenbauteile effizient zu generieren und damit die Innovationszyklen im Bereich industrieller Konstruktions- und Fertigungsprozesse zu verkürzen. Ein besonderer Schwerpunkt des Projekts liegt auf der Modellierung des thermomechanischen und hochzyklischen Ermüdungsverhaltens von Turbinenschaufeln, einschließlich der Auswirkungen von Kriech- und Ermüdungseffekten. Traditionelle Methoden wie FEM sind zwar präzise, jedoch rechenintensiv und zeitaufwändig. Das geplante KI-Modell soll diese Berechnungen erheblich beschleunigen. Die Modelle, die in diesem Forschungsvorhaben angestrebt sind, lassen sich als Foundation-Modelle im Bereich der Strukturmechanik für Gasturbinen auffassen. Sie basieren auf umfangreichen Datensätzen und kombinieren Expertenwissen mit physikalischen Modellen. Solche Modelle können auf verschiedene Aufgaben angewendet werden, was sie im Vergleich zu bisherigen, spezialisierten Ansätzen flexibler, effizienter und robuster macht. Neben präzisen Vorhersagen ermöglichen sie auch den Transfer von gelerntem Wissen von einer Aufgabe auf eine andere. Dieser Prozess soll als Blaupause dienen, inwiefern man in spezifischen Bereichen der physikalischen Simulation von Bauteilen, datengetriebene, generative Modelle entwickeln kann, die anschließend dauerhaft im Designprozess eingesetzt werden.