Maschinelles Lernen in der Strömungsmechanik
Note: The course language is decided in the first lecture based on demand (English/German).
Experimentelle und numerische strömungsmechanische Untersuchungen erzeugen enorme Datenmengen. Die Datensätze sind häufig extrem komplex und ihre Analyse ist herausfordernd. Dadruch bleiben in den Daten vorhandene Informationen nicht selten unentdeckt und ungenutzt. Machinelles Lernen (ML) erlaubt es, algorithmisch Muster aus den Daten zu extrahieren und zu nutzen, was es zu einem wertvollen Analyse- und Modellierwerkzeug für strömungsmechanische Daten macht. Durch diese Vorlesung haben Studierende die Chance, ein intuitives Verständnis von häufig genutzten ML-Algorithmen zu entwickeln, diese auf forschungsnahe Datensätze anzuwenden und die trainierten ML-Modelle in Simulationswerkzeugen einzubetten. Die Vorlesung ist entlang verschiedener praktischer Anwendungen organisiert, welche im Folgenden auszugsweise vorgestellt werden.
Experimental and numerical fluid mechanics investigations generate enormous amounts of data. The datasets are often extremely complex, and their analysis is challenging. As a result, information present in the data often remains undiscovered and unused. Machine learning (ML) allows for the extraction and use of patterns from the data algorithmically, making it a valuable analysis and modeling tool for fluid mechanics. Through this lecture, students can develop an intuitive understanding of commonly used ML algorithms, apply them to research-related data sets, and embed the trained ML models in simulation tools. The lecture is organized along various practical applications, which are presented in excerpts below.
Vorhersage der Pfadinstabilität von aufsteigenden Blasen
Hier führen wir Mehrphasen-Strömungssimulationen von frei aufsteigenden Blasen durch, sammeln zusätzliche Daten aus Literaturquellen und erzeugen ein robustes Klassifizierungsmodell für das Stabilitätsverhalten der Blasen.
Predicting the path instability regime of rising bubbles
Here, we perform multiphase flow simulations of freely rising bubbles, collect additional data from literature sources, and generate a robust classification model for the stability behavior of the bubbles.
Hochgenaue Berechnung des Stoffübergangs in Mehrphasenströmungen
Wir erzeugen Regressionsmodelle, welche Form- und Geschwindigkeitsinformationen einer komplexen Zweiphasensimulation in einem vereinfachten Simulationsansatz nutzbar machen. Dann betten wir die Regressionsmodelle als Randbedingung in einen Strömungslöser ein, um so Genauigkeitsprobleme bei hohen Schmidtzahlen zu reduzieren.
Highly accurate computation of mass transfer in multiphase flows
We generate regression models that utilize shape and velocity information from a complex two-phase flow simulation in a simplified simulation approach. We then embed the regression models as boundary conditions in a flow solver to reduce accuracy problems at high Schmidt numbers.
Aktive Strömungsregelung
Hier implementieren wir zwei Optimierungsansätze zur aktiven Strömungsregelung, welche es als Ziel haben, die Widerstandskraft auf einen stumpfen Körper zu minimieren. Zunächst werden die freien Parameter eines vorgegebenen Kontrollgesetzes mittels Bayes’scher Optimierung ermittelt. Im Anschluss wird ein komplett neues Kontrollgesetz durch bestärkendes Lernen bestimmt.
Active flow control
Here, we implement two optimization approaches for active flow control, which aim to minimize the drag force on a bluff body. First, the free parameters of a given control law are determined using Bayesian optimization. Subsequently, a completely new control law is determined by reinforcement learning.
Der vollständige Ablaufplan aller Vorlesungen und Übungen wird nach dem Einschreiben sichtbar.
The complete schedule of all lectures and exercises becomes visible after enrollment.
Modul/module: MW-MB-19
Dozent/lecturer: Dr.-Ing. Andre Weiner