Maschinelles Lernen in der Strömungsmechanik
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.
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.
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.
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 Kontrolgesetzes mittels Bayes’scher Optimierung ermittelt. Im Anschluss wird ein komplett neues Kontrollgesetz durch bestärkendes Lernen bestimmt.
Der vollständge Ablaufplan aller Vorlesungen und Übungen wird nach dem Einschreiben sichtbar.
Dozent: Dr.-Ing. Andre Weiner