TUHH Open Research
Hilfe
  • Anmelden
    Neu hier? Klicken Sie hier, um sich zu registrieren.Haben Sie Ihr Passwort vergessen?
  • English
  • Deutsch
  • Bereiche & Sammlungen
  • Publikationen
  • Forschungsdaten
  • Personen
  • Einrichtungen
  • Projekte
  • Statistiken
  1. Startseite
  2. TUHH
  3. Publications
  4. Entwicklung von Methoden zum KI-gestützten Propellerentwurf im frühen Entwurfsstadium
 
Optionen

Entwicklung von Methoden zum KI-gestützten Propellerentwurf im frühen Entwurfsstadium

Zitierlink: https://doi.org/10.15480/882.4653
Publikationstyp
Master Thesis
Date Issued
2022-08-10
Sprache
German
Author(s)
Strecker, Maike  orcid-logo
Advisor
Abdel-Maksoud, Moustafa  orcid-logo
Referee
von Bock und Polach, Rüdiger Ulrich Franz  orcid-logo
Title Granting Institution
Technische Universität Hamburg
Place of Title Granting Institution
Hamburg
Examination Date
2022-08-22
Institut
Fluiddynamik und Schiffstheorie M-8  
TORE-DOI
10.15480/882.4653
TORE-URI
http://hdl.handle.net/11420/13815
Citation
Technische Universität Hamburg (2022)
Ziel der Arbeit ist die Entwicklung einer KI-basierten Entwurfsmethode für die Erstellung einer Propellergeometrie, die als Ausgangspunkt für den Entwurfsprozess dient. Dabei sollen Randbedingungen wie der maximale Durchmesser, der erforderliche Schub bzw. die verfügbare Leistung berücksichtigt werden können. Basierend auf einer Literaturrecherche hinsichtlich möglicher KI-Ansätze bzw. Methoden werden diese bezüglich ihrer Eignung für die Unterstützung des Propellerentwurfs bewertet. Sie erstrecken sich von einfachen Regressionen bis hin zu künstlichen neuronalen Netzwerken. Anschließend sollen die für die Aufgabenstellung passenden KI-Ansätze ausgewählt und daraus entsprechende Modelle unter Beachtung der genannten Randbedingungen implementiert werden. Anhand der verfügbaren Daten aus Propellerserien sollen die Modelle trainiert werden. Zur Beurteilung ihrer Qualität sind für einen Beispielpropeller die berechneten und vorliegenden Freifahrtkennwerte zu vergleichen. Anhand des Vergleichs sind neuronale Netze am Besten für diese Anwendung geeignet.
Subjects
Propeller
Entwurf
Maschinelles Lernen
DDC Class
600: Technik
620: Ingenieurwissenschaften
Lizenz
http://rightsstatements.org/vocab/InC/1.0/
Lade...
Vorschaubild
Dateiname

MA_Strecker.pdf

Größe

3.86 MB

Format

Adobe PDF

TUHH
Weiterführende Links
  • Ansprechpartner*innen
  • Feedback schicken
  • Cookie-Einstellungen
  • Datenschutzbestimmungen
  • Impressum
DSpace Software

Built with DSpace-CRIS software - Extension maintained and optimized by 4Science
Design by effective webwork GmbH

  • Deutsche NationalbibliothekDeutsche Nationalbibliothek
  • ORCiD Member OrganizationORCiD Member Organization
  • DataCiteDataCite
  • Re3DataRe3Data
  • OpenDOAROpenDOAR
  • OpenAireOpenAire
  • BASE Bielefeld Academic Search EngineBASE Bielefeld Academic Search Engine
Feedback