Детальная информация

Design optimization of gas turbine blades is a complex multidisciplinary task requiring computationally expensive physics simulations. To perform them, a multitude of computer-aided engineering tools are used, often with machine-learning surrogates for rapid prototyping, all integrated into the optimization cycle. However, current approaches to such integration are hindered by the need for labor-intensive manual setups, vendor lock-in and a lack of scalable, automated workflows. We present a novel cloud-based architecture for building flexible optimization pipelines using containerized components. The proposed solution employs serverless containers, asynchronous messaging and cloud services to ensure the system’s scalability, portability and resilience. Additionally, it follows MLOps principles to achieve reproducibility and efficient lifecycle management of machine learning models used in the optimization process. Unlike existing frameworks, our solution minimizes user setup complexity, allows easy integration of various software into the optimization cycle, and avoids vendor lock-in through open-source technologies and standard cloud APIs. Experiments with aerodynamic design optimization of gas turbine blades demonstrate the system’s scalability, fault tolerance and successful integration of surrogate models for rapid blades prototyping. Furthermore, the system’s flexibility and extensible architecture make it applicable to a broader range of engineering design optimization tasks beyond gas turbine blade aerodynamics.

Оптимизация конструкции лопаток газовых турбин - это сложная мультидисциплинарная задача, требующая ресурсоемких физических расчетов. Для их выполнения применяют множество инженерных программных пакетов, часто вместе с суррогатными моделями машинного обучения в целях быстрого прототипирования. Однако на данный момент эффективная интеграция широкого спектра программного обеспечения (ПО) в цикле оптимизации остается актуальной проблемой ввиду трудоемкости установки и настройки компонентов, привязки к конкретным поставщикам ПО, а также недостатка масштабируемости и автоматизации вычислительных конвейеров. В данной статье предлагается оригинальная архитектура системы, основанная на использовании облачных сервисов и контейнеризованных компонентов с целью построения гибких вычислительных конвейеров для инженерной оптимизации. Предлагаемое решение включает в себя применение бессерверных вычислений на контейнерах и асинхронный обмен сообщениями, что вместе с использованием типовых облачных ресурсов позволяет обеспечить масштабируемость, переносимость и устойчивость системы. Кроме того, в ней применяется подход MLOps для эффективной организации жизненного цикла суррогатных моделей, что повышает качество и повторяемость результатов машинного обучения. Предложенное решение превосходит существующие благодаря простоте интеграции разнообразного ПО в цикле оптимизации и простоте в установке для пользователей, а также минимизирует зависимость от конкретных поставщиков за счет использования только открытого и свободно распространяемого ПО и стандартных облачных ресурсов. Проведенные эксперименты по оптимизации аэродинамики лопаток газовых турбин позволили убедиться в масштабируемости и отказоустойчивости системы, а также в ее применимости для быстрого прототипирования с использованием суррогатных моделей. Более того, гибкость разработанной системы и расширяемость ее архитектуры открывают возможности по применению предложенного решения и в других задачах инженерной оптимизации, не ограничиваясь проектированием лопаток газовых турбин.

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. — Электрон. журнал. — Периодичность: 4 раза в год. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. — Санкт-Петербург: СПбПУ, 2020-. Т. 18, № 2, 2025. — 1 файл (10,6 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j25-293.pdf>.