Record #517286

DFG project G:(GEPRIS)455865232

Mehrskalige Beschreibung von Mehrphasen-Fluidströmungen unter Verwendung datengesteuerter Verschlüsse

Coordinator	Dr. Mohsen Sadr
Grant period	2020 - 2023
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)455865232

Note: Eine genaue Beschreibung von mehrphasigen Fluidströmungen, die von einer effizienten numerischen Methode begleitet wird, bleibt eine der Herausforderungen im Bereich des wissenschaftlichen Rechnens. Ziel dieses Forschungsvorschlags ist es, ein Kontinuumsmodell zu entwickeln, das datengesteuerte mesoskalige Verschlüsse auf der Grundlage der zugrunde liegenden molekularen Wechselwirkungen einsetzt. Insbesondere sollen dabei Momentengleichungen berücksichtigt werden, die sich aus der kinetischen Enskog-Vlasov-Gleichung ergeben, Die nicht geschlossenen Begriffe in den Erhaltungssätzen können anhand der Momente der konservierten Mengen und ihrer räumlichen Ableitungen modelliert werden. Sobald eine geeignete Basisfunktion für den Lösungsraum verwendet wird, verwandelt sich das Schliessungsproblem in ein Regressionsproblem, bei dem die projizierten Koeffizienten für Terme gefunden werden, die mit molekularen Wechselwirkungen verbunden sind, wenn man die Momente um den interessierenden Punkt herum betrachtet. Hier wird ein effizientes hochdimensionales Regressionsmodell aus der Literatur über maschinelles Lernen, wie z.B. ein für das Schließungsproblem geeignetes künstliches neuronales Netz, eingesetzt und offline trainiert. Der Trainingsdatensatz wird durch die Durchführung von Monte-Carlo-Mesoskalensimulationen in einer Referenzkonfiguration für einen anwendbaren Bereich von Randbedingungen generiert. Schließlich wird als Ziel-Testfall der trainierte Multiskalen-Lösungsalgorithmus getestet, indem die Entwicklung von stratosphärischen Aerosolen in einer relevanten Simulationssituation untersucht wird. Als Ergebnis soll mit diesem Forschungsvorschlag ein effizienter, genauer und flexibler Rahmen für großmaßstäbliche Simulationen von Flüssigkeitsströmungen geschaffen werden, der eine konsistente Einbeziehung der mikroskaligen Physik in die klassischen Erhaltungssätze unter Verwendung effizienter hochdimensionaler Regressionsmethoden ermöglicht. Der Antragsteller hat Prof. Nicolas G. Hadjiconstantinou am Massachusetts Institute of Technology (MIT) als Gastgeber für diese Postdoktorandenstudie gewählt, weil er umfangreiche Forschungsarbeiten und relevante Beiträge zu den Methoden der Varianzreduktion nach Monte Carlo in der kinetischen Theorie sowie zur Mehrskalenmodellierung geleistet hat. Darüber hinaus wird Prof. Youssef Marzouk am MIT, der Experte für Bayes'sche Inferenz und Unsicherheitsquantifizierung ist, den Antragsteller bei der Entwicklung eines zuverlässigen Regressionsmodells unterstützen, das für dieses Forschungsvorhaben relevant ist.

Recent Publications

There are no publications

Record created 2023-01-19, last modified 2024-09-27

Similar records

Rate this document:

(Not yet reviewed)

Add to personal basket
Export as Author List with IDs BibTeX (UTF-8), EndNote XML, EndNote Text, RIS, MARC, Print MARC, MARCXML, DC,
Request correction
Submit fulltext

guest :: login PUBDB
		Search		Submit		Personalize Your alerts Your baskets Your searches		Help