Numerische Optimierung dreidimensional parametrisierter ...

Herausforderungen an eine gute Modularisierbarkeit und Wartbarkeit des komplexen Optimierungskreislaufsdar, allerdings mit einem deutlichen Schwerpunkt bei der physikalischenModellbildung. Insgesamt muß dabei auch die Anzahl der beteiligten Werkzeuge und derenHandhabung durch die Anwender berücksichtigt werden.Angesichts der oben beschriebenen Aufgaben erscheint auch mittelfristig nur der Einsatz vonschnell zielführenden Optimierungsmethoden im high-end Bereich sinnvoll. Der Konvergenzverlaufder Zielfunktion bei einem funktionierenden Optimierungsablauf gliedert sich in dreiPhasen. Zu Beginn der Lernphase des Algorithmus kommt es zu einem Einbruch der Zielgüte.Es folgt ein Bereich des steilen Anstiegs, der anschließend über einer asymptotischen Näherungsich dem Optimum annähert. Die Anwendung der Optimierung auf zeitaufwendigen dreidimensionalenStrömungsrechnungen und die daraus abgeleitete Verbesserung bzw. der darausgezogene Lerneffekt läßt die Anwendung von hochparametrisierten Problemen nur bis zumoberen Ende des steilen Anstiegs sinnvoller erscheinen. Eine Reduzierung der Optimierungsaufgabe,gekoppelt mit dem Versuch, die Zielfunktion asymptotisch vollständig zu konvergierenerscheint dagegen nicht sinnvoll. Die Entwicklung und der Einsatz von adjungiertenVerfahren zur Bestimmung der Gradienten bietet hierbei zusätzlich großes Potential zur Reduzierungdes rechnerischen Aufwandes.Zur Festlegung des oder der Startpunkte einer solchen Optimierung wird der multidisziplinäreEinsatz physikalisch einfacherer Verfahren, verbunden mit globaler Suchtechnik und evtl.gekoppelt mit einer Datenbasis, zur Bestimmung des Ringraumverlaufs der gesamten Komponente,der Verteilung der Reaktionsgrade, etc. als sehr sinnvoll erachtet (siehe Krammer et al.1999 [44] und Ahmed 2001 [2]).Ein sehr wesentlicher Aspekt bei der Anwendung von automatisierten Optimierungsverfahrenbesteht darin, alle relevanten Überlegungen bereits vor dem Start des Verfahrens durchzuführen.Ein schrittweises Lernen der spezifischen Gegebenheiten und eine gezielte Reaktion darauf,wie es während einer manuellen Optimierung durchgeführt wird, ist nicht möglich. Einedetaillierte Analyse des Startfalles in Kombination mit persönlicher Erfahrung muß zur Definitiondes Optimierungsproblems vor dem Start des Verfahrens geleistet werden. Das Ergebnishängt letztlich nur von der numerischen Stabilität und dem Zeitpunkt des Abbruchs des Verfahrensab.Durch den Einsatz funktionierender automatisierter Optimierung kann, trotz des hohenRechenaufwandes, der Zeitaufwand der Gesamtauslegung und der zwischengeschalteteAbgleich mit Experimenten reduziert und damit Kosten gespart werden. Die Optimierungeröffnet außerdem die Möglichkeit, neue bisher noch nicht angedachte bessere Lösungen zufinden. Für eine funktionierende modularisierte Optimierungskette ist dabei insbesondere dieDefinition generischer Zielfunktionen für die zu optimierenden „Standardprobleme“ wichtig.107