Dr.-Ing. Cihan Ates und unser Master-Student Abdallah Alshanawani präsentierten ihre Arbeit "Towards Data-Driven Design of Flow Blurring Atomizer" auf der COMSOL-Konferenz 2023 in München. Ihre Präsentation erforscht die Synergie zwischen maschinellem Lernen, Experimenten und CFD sowie wie diese Komponenten genutzt werden können, um den Impulsübertragungsmechanismus, der der Zerstäubung zugrunde liegt, aufzudecken.

Die Zerstäubung von Flüssigkeiten beruht auf verschiedenen Kräften, die die Oberfläche der Flüssigkeit stören. Bei der Flow-Blurring (FB)-Zerstäubung werden turbulente Strukturen im Inneren des Flüssigkeitskanals erzeugt, um diesen Effekt zu erzielen. Das Ziel der Studie ist es, eine umfassende Datenbank transienter gasförmiger kohärenter Strukturen unter verschiedenen Betriebsbedingungen und Düsenkonstruktionen zu erstellen und so Licht auf den zugrunde liegenden Impulsübertragungsmechanismus zu werfen. Die gesammelten Daten werden mithilfe von maschinellem Lernen verarbeitet, um die optimale Sensorkonfiguration zur Erfassung informativer Signale zu erforschen und die Machbarkeit der Abschätzung der Oberflächenschubspannung durch einfache Druckmessungen in einem realen Setup zu bestimmen. Die Analyse zeigt, dass es nicht nur möglich ist, Verschiebungen in den Strömungsregimen mit einem einzigen Drucksensor zu charakterisieren, sondern auch die auf ihn wirkende Oberflächenschubspannung zu schätzen.

Die Ergebnisse haben praktische Auswirkungen auf die Optimierung von Zerstäubern in verschiedenen Anwendungen, einschließlich Verbrennungssystemen und Sprühprozessen. Darüber hinaus eröffnet die Integration von maschinellem Lernen und Simulationstools neue Möglichkeiten zur Verbesserung der Effizienz von Zerstäubungssimulationen und zur Lenkung zukünftiger experimenteller Untersuchungen.