AErOmAt - Aerodynamische Energie-Optimierung durch Metamodell-gestützte Adaption von Strukturen

Automatisiertes Entwickeln aerodynamischer Strukturen und Fahrzeuge mithilfe evolutionärer Optimierung und Surrogatmodellierung.

Projektbeschreibung

Die effiziente Nutzung verfügbarer Energie ist eine der großen Herausforderungen unserer Zeit. Eine besondere Bedeutung kommt dabei der Analyse und Optimierung von Formen und Strukturen hinsichtlich ihrer aerodynamischen Eigenschaften zu. Wichtige Anwendungsgebiete sind die Entwicklung energieeffizienter Fahrzeuge und die Windenergietechnik.

Rechnergestützte Ansätze durch Simulation und automatische Optimierung sind heute selbstverständlicher Teil der technischen Entwicklung und haben zu erheblichen Verbesserungen geführt. Die hohe Komplexität sowohl hinsichtlich
der Rechenzeit als auch bezüglich des Speicherbedarfs limitiert jedoch bislang solche Ansätze. Zusammen mit unseren Forschungs- und Entwicklungspartnern bauen wir auf bewährten Ansätzen der Datenreduktion und der Surrogatmodellierung auf, um dieses Problem signifikant zu verkleinern:

  • Durch Kombination mit indirekten Oberflächencodierungen werden neue Methoden entwickelt um einen erheblichen Teil der Simulationen einzusparen und so komplexere Anwendungsfragestellungen zu lösen.
  • Mit einer komponentenbasierten Architektur und der Weiterentwicklung zugrundeliegender Softwaremethoden wird vermieden, dass die Kombination unterschiedlicher Verfahren durch Implementierungsaspekte oder Qualitätseinbußen limitiert wird.

Dies unterstreicht die Einsatzmöglichkeiten dieser neuen Technologie und ermöglicht weitreichende Verbesserungen in diesen gesellschaftlich bedeutsamen Anwendungsgebieten.

Projektleitung an der H-BRS

Prof. Dr. Dirk Reith

Grundgebiete der Ingenieurwissenschaften
insbesondere Mathematik, Physik und Simulationsanwendungen (Forschungsprofessur)
Geschäftsführender Direktor des TREE-Instituts
Präsidialbeauftragter - Institutionelle Forschungskooperationen
Hochschule Bonn-Rhein-Sieg
E-Mail: 
dirk.reith [at] h-brs.de

Kooperierende Professorinnen und Professoren

Wissenschaftliche Mitarbeiterinnen und Mitarbeiter

Publikationen

Hochschule Bonn-Rhein-Sieg
Nine of the hundreds of near-optimal designs which vary in volume and curvature, produced in a single run of the surrogate-assisted illumination (SAIL) algorithm.

Aerodynamic Design Exploration through Surrogate-Assisted
Illumination

(Best Student Paper -- Multidisciplinary Design Optimization)
Gaier, Adam, Alexander Asteroth, and Jean-Baptiste Mouret. AIAA Aviation and Aeronautics Forum 2017 

Hochschule Bonn-Rhein-Sieg
An overview of the airfoil design space. Produced through the surrogate-assisted illumination algorithm (SAIL).

Data-Efficient Exploration, Optimization, and Modeling of Diverse Designs through Surrogate-Assisted
Illumination

(Best Paper -- Complex Systems)
Gaier, Adam, Alexander Asteroth, and Jean-Baptiste Mouret. Genetic and Evolutionary Computation Conference 2017

Hochschule Bonn-Rhein-Sieg
Predicting performance based on features rather than parameters.

Hierarchical Surrogate Modeling for Illumination Algorithms
Alexander Hagg. Genetic and Evolutionary Computation Conference 2017

Projektveröffentlichungen

Automatisiertes Entwickeln aerodynamischer Strukturen und Fahrzeuge mithilfe evolutionärer Optimierung und Surrogatmodellierung (DE/BMBF/03FH012PX5,13FH012PX5)

2020 | 2019 | 2018 | 2017

2020

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Discovering Representations for Black-box Optimization.
doi:10.1145/3377930.3390221 arXiv BibTeX | RIS

Alexander Hagg, Mike Preuss, Simon Wessing, Alexander Asteroth, Thomas Bäck: An Analysis of Phenotypic Diversity in Multi-Solution Optimization.
URL BibTeX | RIS

Alexander Asteroth, Adam Gaier, Alexander Hagg, Jakob Meng, Andreas Priesnitz, Lea Prochnau, Dirk Reith: AErOmAt Abschlussbericht.
PDF Download doi:10.18418/opus-4850 urn:nbn:de:hbz:1044-opus-48506 BibTeX | RIS

2019

Alexander Hagg, Martin Zaefferer, Jörg Stork, Adam Gaier: Prediction of neural network performance by phenotypic modeling.
doi:10.1145/3319619.3326815 arXiv BibTeX | RIS

Alexander Hagg, Alexander Asteroth, Thomas Bäck: Modeling User Selection in Quality Diversity.
doi:10.1145/3321707.3321823 arXiv BibTeX | RIS

2018

Alexander Hagg, Alexander Asteroth, Thomas Bäck: Prototype Discovery Using Quality-Diversity.
doi:10.1007/978-3-319-99253-2_40 arXiv BibTeX | RIS

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Data-Efficient Design Exploration through Surrogate-Assisted Illumination.
doi:10.1162/evco_a_00231 arXiv BibTeX | RIS

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Data-efficient Neuroevolution with Kernel-Based Surrogate Models.
doi:10.1145/3205455.3205510 arXiv BibTeX | RIS

2017

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Data-Efficient Exploration, Optimization, and Modeling of Diverse Designs through Surrogate-Assisted Illumination.
doi:10.1145/3071178.3071282 arXiv URL BibTeX | RIS

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Aerodynamic Design Exploration through Surrogate-Assisted Illumination.
doi:10.2514/6.2017-3330 URL BibTeX | RIS

Alexander Hagg: Hierarchical Surrogate Modeling for Illumination Algorithms.
doi:10.1145/3067695.3082495 arXiv BibTeX | RIS

Alexander Hagg, Maximilian Mensing, Alexander Asteroth: Evolving Parsimonious Networks by Mixing Activation Functions.
doi:10.1145/3071178.3071275 arXiv BibTeX | RIS

Adam Gaier, Alexander Asteroth, Jean-Baptiste Mouret: Feature Space Modeling Through Surrogate Illumination.
arXiv BibTeX | RIS

Geldgeber

Kooperationspartner