{"id":934,"date":"2025-07-02T11:36:20","date_gmt":"2025-07-02T10:36:20","guid":{"rendered":"https:\/\/idea.gm.th-koeln.de\/?p=934"},"modified":"2025-07-02T13:19:42","modified_gmt":"2025-07-02T12:19:42","slug":"ki-optimiert-turbolader-und-senkt-kosten","status":"publish","type":"post","link":"https:\/\/www.spotseven.de\/?p=934","title":{"rendered":"KI optimiert Turbolader und senkt Kosten"},"content":{"rendered":"\n

Studentische Case Study und Gastvorlesung Everllence<\/h2>\n\n\n\n

Die Case Study wurde in Prof. Dr. Thomas Bartz-Beielsteins<\/a> Vorlesung “Optimization of Technical Systems” im Masterstudiengang “Automation and IT” der Fakult\u00e4t f\u00fcr Informatik und Ingenieurwissenschaften der TH K\u00f6ln durchgef\u00fchrt. Das Thema der Case Study lautete:
“Modelling of a Neural Network Based Surrogate of Amplitude Simulations to Reduce R&D Costs in Turbo Charger Development” und wurde in Zusammenarbeit mit der Firma Everllence<\/a> (vorm. MAN Energy Solutions) durchgef\u00fchrt.<\/p>\n\n\n\n

\"\"<\/figure><\/div>
\"\"<\/figure>
\"\"<\/figure><\/div><\/div>
\"\"<\/figure><\/div>
\"Christoph<\/figure><\/div><\/div>
\"\"<\/figure><\/div>
\"\"<\/figure><\/div><\/div><\/div><\/div><\/div>\n\n\n\n

Studierende pr\u00e4sentierten die Ergebnisse der Case Study. Es gab f\u00fcnf Gruppen, die an der Case Study gearbeitet haben. Die Studierenden haben ihre Ergebnisse in Form von Vortr\u00e4gen pr\u00e4sentiert.<\/p>\n\n\n\n

Die Themen der Vortr\u00e4ge lauteten (die Namen der Studierenden sind in Klammern angegeben):<\/p>\n\n\n\n

    \n
  • Modelling of a Recurrent Neural Network based on Surrogate of Amplitude Simulation (Sonal Rajendra Palrecha, Milankumar Hareshbhai Mavani, Rishikesh Ravikiran Tiwari)<\/li>\n\n\n\n
  • Case Study: Evaluating Machine Learning as a Cost-Effective Alternative to Turbocharger Testing Simulations (Priti Bhunia, Mariam Saki)<\/li>\n\n\n\n
  • Optimization of Technical Systems (Kumpal Khokhariya, Navya Thirakala, Venkatasumadhar Pabolu)<\/li>\n\n\n\n
  • Neural Network-Based Analysis of Turbocharger Resonance: GRU, LSTM, and Combined Models (Suheb Khan, Nouman Ahmad, Muhammad Ali)<\/li>\n\n\n\n
  • Optimization of Technical Systems ( Ruohan Wang, Szu-Yu Liu, Vekil Bekmyradov)<\/li>\n<\/ul>\n\n\n\n

    Diese Case Studies untersuchen den Einsatz von Machine Learning (ML) und Deep Learning (DL), um kostspielige und zeitaufw\u00e4ndige traditionelle Methoden zur Messung und Simulation von Vibrationen in Turbochargern zu ersetzen. Die Vorhersage maximaler Vibrationsamplituden ist entscheidend, um mechanische Ausf\u00e4lle zu verhindern.
    Die herk\u00f6mmliche Verwendung von Dehnungsmessstreifen ist teuer und zeitaufw\u00e4ndig und st\u00f6\u00dft an r\u00e4umliche Grenzen, insbesondere an komplexen Geometrien wie Turbinenschaufeln. Numerische Simulationen wie Finite-Elemente-Analyse (FEA) oder Computational Fluid Dynamics (CFD) sind zwar pr\u00e4zise, erfordern jedoch erhebliche Rechenressourcen und Zeit, insbesondere bei der Bewertung verschiedener Designkonfigurationen.
    Um diese Herausforderungen zu \u00fcberwinden, evaluierten die Studenten verschiedene ML- und DL-Modelle zur Vorhersage der Amplitude basierend auf Betriebs- und Designparametern wie Anregungsordnung, Moden und Knotendurchmesser.<\/p>\n\n\n\n

    Die Studien demonstrieren das Potenzial von Machine-Learning-Modellen, Turbocharger-Vibrationen effektiv und mit hoher Genauigkeit vorherzusagen, und bieten kosteng\u00fcnstige, schnellere Alternativen zu traditionellen Methoden. Modelle wie XGBoost, CatBoost und spezifische Hybridans\u00e4tze haben sich als vielversprechend erwiesen. Zuk\u00fcnftige Entwicklungen k\u00f6nnten Physics-Informed Neural Networks (PINNs) oder die Nutzung gr\u00f6\u00dferer Datens\u00e4tze umfassen, um die Genauigkeit und Interpretierbarkeit weiter zu verbessern.<\/p>\n\n\n\n

    Gastvorlesung Everllence ES (vorm. MAN-ES)<\/h2>\n\n\n\n

    Anschlie\u00dfend hielt Christoph Leitenmeier eine Gastvorlesung zum Thema “High Cycle Fatigue (HCF) in industrial applications”. C. Leitenmeier stellte die Herausforderungen und L\u00f6sungen in industriellen Anwendungen vor, insbesondere im Kontext von Turbochargern.
    Christoph Leitenmeier ist Head of Aerodynamics bei Everllence (https:\/\/www.everllence.com), vormals MAN Energy Solutions (MAN-ES), in Augsburg. Seine Karriere bei MAN Energy Solutions begann bereits im Oktober 2008 als Project Engineer. Zuvor sammelte er als Project Engineer bei der Thermotec Engineering Services GmbH in Garching\/M\u00fcnchen Berufserfahrung.<\/p>\n\n\n\n

    Kooperation der TH K\u00f6ln mit Everllence<\/h2>\n\n\n\n

    Diese Pr\u00e4sentation sind Teil einer langj\u00e4hrigen Kooperation zwischen der TH K\u00f6ln und Everllence, die darauf abzielt, Studierende in realen industriellen Herausforderungen auszubilden. Aktuell werden gemeinsame Forschungs- und Promotionsprojekte (u.a. mit der RWTH Aachen und der Universit\u00e4t Stuttgart sowie weiteren Industriepartnern) vorbereitet, um die Zusammenarbeit weiter zu vertiefen.<\/p>\n\n\n\n

    <\/p>\n","protected":false},"excerpt":{"rendered":"

    KI optimiert Turbolader und senkt Kosten<\/p>\n

    Im Rahmen der Vorlesung “Optimization of Technical Systems” an der TH K\u00f6ln f\u00fchrten f\u00fcnf Studentengruppen eine Case Study in Kooperation mit Everllence (ehemals MAN Energy Solutions) durch. Das Ziel war die Entwicklung von Machine Learning- und Deep Learning-Modellen zur Vorhersage von Vibrationsamplituden in Turbochargern, um teure und zeitaufw\u00e4ndige traditionelle Mess- und Simulationsmethoden zu ersetzen. Die Studenten entwickelten verschiedene KI-Modelle (u.a. XGBoost, CatBoost, RNN, LSTM, GRU) zur Amplitudenvorhersage basierend auf Betriebs- und Designparametern. Diese Modelle zeigten hohes Potenzial f\u00fcr pr\u00e4zise und kosteng\u00fcnstige Vorhersagen.<\/p>\n

    Christoph Leitenmeier (Head of Aerodynamics bei Everllence) hielt eine Gastvorlesung \u00fcber “High Cycle Fatigue (HCF) in industrial applications”.<\/p>\n

    Die Veranstaltung ist Teil einer langfristigen Zusammenarbeit zwischen Prof. Bartz-Beielstein (TH K\u00f6ln) und Everllence mit gemeinsamen Forschungs- und Promotionsprojekten.<\/p>\n","protected":false},"author":3,"featured_media":941,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"advanced_seo_description":"","jetpack_seo_html_title":"","jetpack_seo_noindex":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":" KI optimiert Turbolader und senkt Kosten\n\nIm Rahmen der Vorlesung \"Optimization of Technical Systems\" an der TH K\u00f6ln f\u00fchrten f\u00fcnf Studentengruppen eine Case Study in Kooperation mit Everllence (ehemals MAN Energy Solutions) durch. Das Ziel war die Entwicklung von Machine Learning- und Deep Learning-Modellen zur Vorhersage von Vibrationsamplituden in Turbochargern, um teure und zeitaufw\u00e4ndige traditionelle Mess- und Simulationsmethoden zu ersetzen.\n\nHerausforderungen:\nHerk\u00f6mmliche Dehnungsmessstreifen sind kostspielig und haben r\u00e4umliche Begrenzungen\nNumerische Simulationen (FEA, CFD) sind pr\u00e4zise, aber rechenintensiv und zeitaufw\u00e4ndig\nVorhersage maximaler Vibrationsamplituden ist entscheidend zur Vermeidung mechanischer Ausf\u00e4lle\nErgebnisse: Die Studenten entwickelten verschiedene ML-Modelle (u.a. XGBoost, CatBoost, RNN, LSTM, GRU) zur Amplitudenvorhersage basierend auf Betriebs- und Designparametern. Diese Modelle zeigten hohes Potenzial f\u00fcr pr\u00e4zise und kosteng\u00fcnstige Vorhersagen.\n\nGastvorlesung: Christoph Leitenmeier (Head of Aerodynamics bei Everllence) hielt eine Gastvorlesung \u00fcber \"High Cycle Fatigue (HCF) in industrial applications\".\n\nKooperation: Die Veranstaltung ist Teil einer langfristigen Zusammenarbeit zwischen Prof. Dr. Thomas Bartz-Beielstein (TH K\u00f6ln) und Everllence, mit gemeinsamen Forschungs- und Promotionsprojekten.","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":false,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"enabled":false},"version":2}},"categories":[44,48,16,55,61],"tags":[],"class_list":["post-934","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence","category-industrie","category-kooperation","category-th-koeln","category-turbo-machinery",""],"acf":[],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/www.spotseven.de\/wp-content\/uploads\/2025\/07\/IMG_3559.jpeg?fit=640%2C214&ssl=1","jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack-related-posts":[],"jetpack_shortlink":"https:\/\/wp.me\/p2DCPK-f4","_links":{"self":[{"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/posts\/934","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=934"}],"version-history":[{"count":7,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/posts\/934\/revisions"}],"predecessor-version":[{"id":950,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/posts\/934\/revisions\/950"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=\/wp\/v2\/media\/941"}],"wp:attachment":[{"href":"https:\/\/www.spotseven.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=934"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=934"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.spotseven.de\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=934"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}