CFD-gesteuerte neuronale Netz- und SVM-Modelle zur aerodynamischen Verbesserung von Tragflächen mit bioinspirierten Rillen und Plasmaaktoren

Intelligentere Flügel für umweltfreundlicheren Flug

Moderne Flugzeuge und Autos verdanken einen Großteil ihrer Effizienz der stillen Arbeit der Aerodynamik – wie Luft um Flügel und Rümpfe strömt. Diese Studie untersucht, wie sich bei einer verbreiteten Tragflächenform mehr Auftrieb und weniger Widerstand erzielen lassen, indem drei moderne Konzepte kombiniert werden: winzige, von Haifischhaut inspirierte Oberflächenrillen, unsichtbare elektrische "Winde" durch Plasmaeinrichtungen und künstliche Intelligenz-Modelle, die aus Computersimulationen lernen. Das Ziel ist schlicht, aber wirkungsvoll: künftigen Flugzeugen und Windturbinen helfen, weiter mit weniger Treibstoff zu fliegen und gleichzeitig praktikable Herstellungsprozesse beizubehalten.

Tricks von Haien und Blitzen ausleihen

Die Forschenden konzentrieren sich auf ein weit verbreitetes Profil namens NACA4412, eine Standardform in Luftfahrt und Windenergie. Um seine Leistung zu verbessern, fügen sie zunächst mikroskopische Rillen, so genannte Riblets, auf der Oberseite hinzu, inspiriert von der Textur der Haifischhaut. Diese Riblets, nur wenige Millimeter breit und tief, verlaufen in Strömungsrichtung und sind dafür bekannt, Reibung zu verringern, indem sie turbulente Wirbel, die über die Oberfläche kratzen, dämpfen. Das Team testet drei Riblet-Formen — halbkreisförmig, scharf dreieckig und ein glatteres "Fillet"-Design — unter anspruchsvollen Betriebsbedingungen mit hoher Strömungsgeschwindigkeit und starker Turbulenz.

Elektrische Kräfte nutzen, um die Luft mitzuschieben

Riblets allein verringern meist vor allem den Widerstand, steigern aber nicht dramatisch den Auftrieb, insbesondere bei steileren Anstellwinkeln, bei denen die Strömung dazu neigt abzureißen. Um dem entgegenzuwirken, ergänzen die Forschenden ein aktives Gerät, einen Plasmaaktor, nahe der Vorderkante der Tragfläche. Wird er mit mehreren tausend Volt und hoher Frequenz betrieben, erzeugt dieser dünne Streifen eine kleine Region ionisierter Luft, die eine Körperkraft auf die umgebende Strömung ausübt und die Luft effektiv stromabwärts bläst, ganz ohne bewegliche Teile. In nur wenigen Prozent der Flügeltiefe vom Vorderrand positioniert, aktiviert der Aktor die Grenzschicht — die dünne Luftschicht an der Oberfläche — verzögert das Einsetzen der Ablösung und hilft der Strömung, länger am Flügel anzuliegen.

Die Luft mit leistungsstarken Simulationen sichtbar machen

Um zu verstehen, wie diese Maßnahmen zusammenwirken, führt das Team detaillierte dreidimensionale Computersimulationen der Strömung über der Tragfläche für Winkel von sanftem Reiseflug bis kurz vor dem Strömungsabriss durch. Sie verwenden ein etabliertes Turbulenzmodell, um Wirbel, Schlepptaufürmungen und das Wachstum sowie die Ablösung der Grenzschicht zu erfassen. Die Riblets werden dort platziert, wo die Strömung vollständig turbulent ist, und das numerische Gitter ist so fein, dass eine weitere Verfeinerung die Ergebnisse nicht mehr verändert. Die aus den Simulationen resultierenden Bilder zeigen, dass Riblets die wandnahe Turbulenz ausdünnen und den Schatten (Wake) verengen, während der Plasmaaktor große Rezirkulationsblasen verkleinert oder sogar auflöst, die sonst Auftrieb kosten und Widerstand erhöhen würden.

Künstliche Intelligenz die aerodynamischen Regeln lernen lassen

Da diese Simulationen rechenintensiv sind, trainieren die Autoren Machine-Learning-Modelle als schnelle Stellvertreter. Sie speisen Daten zu Anstellwinkel, Strömungsgeschwindigkeit, Riblet-Breite und Aktoreinstellungen in zwei Arten von KI: ein künstliches neuronales Netz und eine Support-Vector-Maschine. Beide lernen, die Auftriebs- und Widerstandsbeiwerte der Tragfläche mit hoher Präzision vorherzusagen und die Simulationsergebnisse zu reproduzieren, während sie nur einen Bruchteil der Rechenzeit benötigen. Die Modelle erfassen subtile Effekte von Geometrie und Regelparametern, was darauf hindeutet, dass sie nach dem Training Ingenieuren helfen könnten, Designoptionen schnell zu erkunden oder Strömungssteuerungsgeräte in Echtzeit ohne erneute Komplettsimulationen zu optimieren.

Die beste Kombination für Auftrieb und Widerstand finden

Unter allen getesteten Entwürfen sticht deutlich das bioinspirierte Fillet-Riblet in Kombination mit Plasmaaktuation hervor. Diese Kombination liefert den größten Zuwachs an Auftrieb und die stärkste Verringerung des Widerstands im Vergleich zu einer glatten, unkontrollierten Tragfläche. Im besten Betriebsbereich steigt der Auftrieb um mehr als ein Fünftel und das Auftriebs-zu-Widerstands-Verhältnis — ein zentrales Maß der aerodynamischen Effizienz — verbessert sich um nahezu die Hälfte. Andere Riblet-Formen und der Plasmaaktor allein wirken ebenfalls positiv, erreichen jedoch nicht das Niveau dieser hybriden Lösung. Strömungsvisualisierungen zeigen glattere, stabilere Muster über dem behandelten Bereich und einen dünneren Nachlauf, was bestätigt, dass der Flügel härter arbeitet, um Auftrieb zu erzeugen, und weniger Energie in der Turbulenz verschwendet.

Was das für den Alltag des Fliegens bedeutet

Für eine allgemeine Leserschaft lautet die Schlussfolgerung, dass kleine, kluge Änderungen an der Flügeloberfläche und unsichtbare elektrische Impulse in der Strömung sich zu beträchtlichen Einsparungen bei Treibstoff oder Batterieenergie summieren können. Durch die Kombination physikbasierter Simulationen mit KI-Modellen skizziert die Studie einen praktischen Fahrplan: aufwändige Rechnungen einmalig nutzen, um abzubilden, wie neue Texturen und Plasmaeinrichtungen die Strömung beeinflussen, und danach auf trainierte Modelle zurückgreifen, um Design und Betrieb zu steuern. Würde dies in reale Flugzeuge und Turbinen übertragen, könnte der Ansatz dazu beitragen, Verkehrsmittel leiser, sauberer und effizienter zu machen, ohne vertraute Formen grundlegend zu verändern.

Zitation: Karthikeyan, K.V., Raju, A., Jain, J. et al. CFD-driven neural network and SVM models for airfoil aerodynamic enhancement with bio-inspired riblets and plasma actuation. Sci Rep 16, 14197 (2026). https://doi.org/10.1038/s41598-026-39525-0

Schlüsselwörter: Strömungssteuerung an Tragflächen, bioinspirierte Rillen, Plasmaaktoren, aerodynamische Optimierung, CFD und maschinelles Lernen