Opis projektu
Innowacyjne strategie sterowania przepływem w celu redukcji emisji
Sektor lotniczy jest niezwykle ważny dla gospodarki, jednak jego rozwój wiąże się z negatywnym wpływem na środowisko ze względu na wysokie emisje CO2. Stąd istnieje pilna potrzeba poprawy parametrów aerodynamicznych skrzydeł samolotów w celu zmniejszenia zużycia paliwa i emisji spalin. Jedną ze strategii jest wykorzystywanie strategii sterowania przepływem powietrza. Projekt DEEPCONTROL finansowany ze środków Europejskiej Rady ds. Badań Naukowych wykorzysta dokładne symulacje oraz algorytmy uczenia głębokiego przez wzmocnienie, aby opracować rozwiązanie pozwalające na symulowanie w czasie rzeczywistym przepływu powietrza wokół sekcji skrzydeł oraz trójwymiarowych modeli w oparciu o niedokładne pomiary, a także sterowanie. Projekt ma na celu odkrycie nowatorskich rozwiązań w zakresie kontroli przepływu oraz projektowania geometrii wingletów w celu zmniejszenia wpływu lotnictwa na środowisko. W ramach projektu DEEPCONTROL badacze przeprowadzą również szczegółowe eksperymenty w tunelu aerodynamicznym w Królewskim Instytucie Technologii KTH w Szwecji, aby ocenić rozwiązanie pod kątem możliwości wykorzystania go w zastosowaniach wymagających pracy w czasie rzeczywistym.
Cel
Over the past decades, aviation has become an essential component of today’s globalized world: before the current pandemic of coronavirus disease 2019 (COVID-19), over 100,000 flights took off everyday worldwide, and a number of studies indicate that after the pandemic its relevance in the transportation mix will be similar to that before COVID-19. Aviation alone is responsible for 12% of the carbon dioxide emissions from the whole transportation sector, and for 3% of the total CO2 emissions in the world. Due to the major environmental and economical impacts associated to aviation, there is a pressing need for improving the aerodynamic performance of airplane wings to reduce fuel consumption and emissions. This implies reducing the force parallel to the incoming flow, i.e. the drag, and one of the strategies to achieve such a reduction is to perform flow control.
DEEPCONTROL aims at using high-fidelity simulations and deep reinforcement learning to develop a framework for real-time prediction and control of the flow around wing sections and three-dimensional wings based only on sparse measurements. We will first perform high-order spectral-element simulations of wing sections and three-dimensional wings at high Reynolds numbers. Using sparse measurements at the wall, we will reconstruct the velocity fluctuations above the wall within a region of interest. To this end, we will employ a generative adversarial network (GAN), together with a fully-convolutional network (FCN) and modal decomposition. Then, we will perform flow control based on deep reinforcement learning (DRL), which will enable discovering novel solutions in terms of flow actuation and design of winglet geometry. In order to assess the robustness of the framework for real-time applications, we will carry out detailed wind-tunnel experiments at KTH.
This framework will constitute a breakthrough in aviation sustainability, and will enable developing more efficient aeronautical solutions worldwide.
Dziedzina nauki
- medical and health scienceshealth sciencespublic healthepidemiologypandemics
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- natural sciencesphysical sciencesclassical mechanicsfluid mechanicsfluid dynamics
- medical and health scienceshealth sciencesinfectious diseasesRNA virusescoronaviruses
- engineering and technologyenvironmental engineeringenergy and fuels
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
100 44 Stockholm
Szwecja