Wie aus Hochgeschwindigkeitsvideos Forschungsdaten für KI werden

DFG fördert neues Projekt zur Kavitationsforschung an der TU Darmstadt

20.10.2026

Kavitation ist ein Phänomen mit großer technischer Relevanz: Sinkt der lokale Druck in einer Flüssigkeit, beispielsweise bei der Umströmung eines Tragflügelprofils, unter den Sättigungsdampfdruck, können sich Dampfblasen bilden und vorhandene Kavitationskeime wachsen. Steigt der Druck anschließend wieder an, können diese Blasen kollabieren und dabei lokal hohe Druckspitzen und mechanische Belastungen verursachen. In Pumpen, Turbinen, Propellern oder Ventilen kann dies zu Lärm, Vibrationen, Effizienzverlusten und Materialschäden führen. Entsprechend wichtig ist es, die zugrunde liegenden physikalischen Prozesse besser zu verstehen und zuverlässig analysieren zu können.

Genau hier setzt ein neues, von der Deutschen Forschungsgemeinschaft (DFG) gefördertes Projekt an. Unter dem Titel „FAIR high-speed cavitation video data corpus for machine learning“ entwickeln das Institut für Fluidsystemtechnik (FST) der TU Darmstadt und die Universitäts- und Landesbibliothek Darmstadt (ULB) gemeinsam eine strukturierte und offen zugängliche Datenbasis für die Kavitationsforschung.

Ziel des Projekts ist es, Hochgeschwindigkeitsvideos aus unterschiedlichen Experimenten gemeinsam mit synchronisierten Messdaten, beispielsweise zu Druck und Volumenstrom, sowie den zugehörigen Metadaten systematisch aufzubereiten und langfristig für die Forschung verfügbar zu machen. Gerade für den Einsatz künstlicher Intelligenz ist dies jedoch entscheidend: Um Machine-Learning-Modelle zuverlässig trainieren, validieren und vergleichen zu können, werden umfangreiche, qualitativ hochwertige und nachvollziehbar dokumentierte Datensätze benötigt. Bislang fehlt in der Kavitationsforschung eine standardisierte, offen zugängliche und qualitätsgesicherte Datengrundlage.

Für uns liegt der große Mehrwert darin, bislang getrennte Versuchsdaten in einer gemeinsamen, belastbaren Datenbasis zusammenzuführen. Damit können wir Kavitationsphänomene systematisch vergleichen und zugleich neue Möglichkeiten für den Einsatz von Machine Learning eröffnen.

Dr.-Ing. Maximilian Kuhr, leitender Wissenschaftler für das Projekt

Langfristig soll der Datenkorpus auch anderen Forschungsgruppen offenstehen und erweitert werden können. Geplant ist ein umfangreicher Bestand aus Hochgeschwindigkeitsvideos verschiedener Experimente, ergänzt um zugehörige Messdaten und Metainformationen.