B1 – Integrierter Entwurfsprozess für Offshore-Tragstrukturen (beendet 2024)

Im Projekt B01 wurde ein datengetriebener Ansatz zur Unterstützung des konzeptionellen Entwurfs von Offshore-Jacket-Tragstrukturen entwickelt. Aufgrund der Komplexität und Kostenempfindlichkeit von Offshore-Windenergieprojekten ist insbesondere die frühe Konzeptionsphase mit großen Herausforderungen verbunden. Traditionelle Methoden stützen sich stark auf die Intuition und Erfahrung von Ingenieurinnen und Ingenieuren, was häufig zu voreingenommenen Entwürfen führt, die in späteren Projektphasen kostspielige Anpassungen erforderlich machen. Um diesen Problemen zu begegnen, wurden in unserer Forschung fortschrittliche Methoden des maschinellen Lernens (ML) und der Datenaugmentierung mit systematisch erhobenen globalen Daten kombiniert. Dadurch entstand ein neuer, automatisierter und datengetriebener Weg für den konzeptionellen Entwurf.

Ein zentraler Erfolg war der Aufbau eines qualitativ hochwertigen globalen Datensatzes von Jacketentwürfen, der mit synthetischen Strukturen erweitert wurde, die durch fortschrittliche Rechenverfahren generiert wurden. Fehlende Realdaten ließen sich durch die Nutzung von Online-Ressourcen, Ingenieurberichten und Schätzverfahren (z. B. MICE zur Imputation fehlender Werte) ergänzen. Die Erstellung synthetischer Strukturen erfolgte mithilfe von multiobjektiven genetischen Algorithmen (NSGAII) und tiefen generativen Modellen (z. B. Mixed Deep Gaussian Mixture Models, MDGMM). Diese Methoden erweiterten nicht nur den Spielraum der Entwürfe über Realdaten hinaus, sondern erhöhten auch die Robustheit und Vorhersagefähigkeit nachgelagerter ML-Modelle. Durch die Einbindung physikalisch informierter Ziele wie der Tragfähigkeit unter Wind- und Wellenlasten sowie Kostenschätzungen auf Basis der Gesamtmasse gewährleisteten die generativen Verfahren zudem die technische Plausibilität und Relevanz der synthetischen Entwürfe. Darüber hinaus wurde ein benutzerfreundliches Framework entwickelt, das es Ingenieuren ermöglicht, den Prozess der synthetischen Designgenerierung zu beeinflussen, indem sie den Designraum, die Optimierungsziele, die Hyperparameter und die endgültige Designpopulation anpassen.

Das entwickelte ML-basierte Vorhersagerahmenwerk nutzt verschiedene Algorithmustypen einschließlich Random Forests (RF), Extreme Gradient Boosting (XGBoost) und Multi-Layer Perceptrons (MLP), um maßgebliche Jacket-Strukturmerkmale auf Basis spezifischer Randbedingungen abzuleiten. Zusätzlich kamen Interpretierbarkeitsverfahren wie Analysen der Merkmalsbedeutung zum Einsatz. Diese schaffen Transparenz im Entscheidungsprozess und unterstützen Ingenieurinnen und Ingenieure sowie andere Interessengruppen dabei, die vorgeschlagenen Entwürfe nachzuvollziehen. Die so trainierten Modelle wurden in einen datengetriebenen Arbeitsablauf für die konzeptionelle Planung integriert, was schnelle, zuverlässige und fundierte Entscheidungen bereits in der frühen Projektphase ermöglicht, die sowohl vorhandene Muster (aus Realdaten) als auch innovative Lösungsansätze (basierend auf synthetischen Daten und generativen Optimierungsmethoden) reflektieren.

Das Ergebnis ist eine Methodik, die nicht nur den konzeptionellen Entwurfsprozess von Offshore-Jacket-Tragstrukturen beschleunigt und effizienter gestaltet, sondern auch strategische Entscheidungen auf eine quantitativ belegbare Grundlage stellt. Durch die Integration simulationsbasierter Ziele, physikalischer Randbedingungen und generativer Modellierung liefert der Ansatz fundierte Handlungsempfehlungen, die wirtschaftliche, strukturelle und ökologische Aspekte berücksichtigen. Damit entsteht eine zuverlässigere und kosteneffizientere Grundlage für die frühen Phasen der Offshore-Windpark-Entwicklung und trägt so wesentlich zum Fortschritt des Standes der Technik im Offshore-Ingenieurwesen bei.

Am Ende des Projekts bereicherten verschiedene Kooperationen mit anderen Teilprojekten (TP) im Rahmen des SFB 1463 die Forschungsergebnisse erheblich. Durch den Austausch von Code und Fachwissen mit TP A03 konnten Tragfähigkeiten unter Welleneinwirkungen simuliert werden, was wertvolle Einblicke in das strukturelle Verhalten ermöglichte. Die Zusammenarbeit mit TP A06 umfasste die Bereitstellung von Parametern realer und synthetischer Jacket-Tragstrukturen, um gekoppelte Schiff-Struktur-Bewegungssimulationen zu unterstützen und die Grundlage für zukünftige Ersatzmodelle zur Installierbarkeitsbewertung zu schaffen. Die Partnerschaft mit TP B02 verbesserte unseren Datensatz durch die Einbindung wichtiger Lastfälle, die auf spezialisierten Simulationen von Referenzwindturbinen basierten. Darüber hinaus wird unser generativer Entwurfsoptimierungsprozess in die von TP Z01 entwickelten Digital-Twin-Methoden integriert, um sicherzustellen, dass Entwurfsempfehlungen in umfassendere digitale Lebenszyklus-Management-Frameworks eingebettet werden.

Während des Projektablaufs nahmen die Mitglieder von B01 an verschiedenen Aktivitäten im Zusammenhang mit dem SFB teil, z. B. an der Arbeit in internen Arbeitsgruppen und der Organisation von Veranstaltungen und Workshops. Insbesondere organisierte Prof. Dr. Eirini Ntoutsi in Zusammenarbeit mit Manolis Panagiotou eine Vorlesung über maschinelles Lernen sowie einen praktischen Workshop über Python und maschinelles Lernen für die Mitglieder des SFB. Darüber hinaus half Manolis als Mitglied der Arbeitsgruppe „PhD Seminar“ bei der Organisation des „SFB Networking Workshop“ in Bremen im Jahr 2022. Darüber hinaus hat die Arbeitsgruppe erfolgreich das 19. EAWE-Doktorandenseminar in Hannover im Jahr 2023 gesichert und organisiert. Als Teil der Arbeitsgruppe war Manolis zusätzlich für die Entwicklung der Website der Veranstaltung verantwortlich. Gleichzeitig entwickelte Han Qian als Mitglied der Arbeitsgruppe „Forschungsdatenmanagement“  „Richtlinie zum Umgang mit Forschungsdaten: SFB 1463 Integrierte Entwurfs- und Betriebsmethodik für Offshore-Megastrukturen“, die vom SFB genehmigt und veröffentlicht wurden.

Die Arbeit im Rahmen des Teilprojekts B01 führten zu Veröffentlichungen in verschiedenen Workshops, Konferenzen und Fachzeitschriften. Die vollständige Liste der Veröffentlichungen ist unten aufgeführt.