Record #340584 - GSI Repository

DFG project G:(GEPRIS)525788404

Modellierung und Entdeckung unbekannter Dynamiken in strömungsmechanischen System mit Hilfe von Deep Learning

Coordinator	Dr.-Ing. Christian Lagemann
Grant period	2023 - 2025
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)525788404

Note: Strömungen sind durch hochdimensionale, nichtlineare, dynamische Systeme gekennzeichnet, die sowohl räumlich als auch zeitlich reichhaltige Multiskalenphänomene aufweisen und durch kohärente Strukturen gekennzeichnet sind. Die Beschreibung dieser Strukturen ist nicht einfach und kann selbst für generische, strömungsmechanische Systeme schnell sehr komplex werden. Daher werden für solche Probleme typischerweise Datenanalyse-Tools benutzt, mit denen man versucht, leicht verständliche und interpretierbare Modelle abzuleiten. Die meisten dieser Ansätze basieren jedoch auf der Annahme, dass die zugrunde liegenden Zustandsvariablen des Problems bekannt sein müssen, bevor eine neue Systembeschreibung abgeleitet werden kann. Für viele Forschungsprobleme stehen Wissenschaftlern häufig nur Daten zur Verfügung, die nicht direkt den Variablenraum des zugrunde liegenden Systems abdecken, sondern sich zeitlich ändernde Beobachtungen darstellen. Für diese Art von Daten gibt es derzeit allerdings keine Möglichkeit, die zugrunde liegenden Differentialgleichungen zu identifizieren, ohne weitere Vorkenntnisse oder Analysen vorauszusetzen. In diesem Zusammenhang stellt die Fähigkeit, Gleichungen auf der Grundlage von einfachen Beobachtungen, wie beispielsweise experimentelle Partikelbilder oder andere Strömungsvisualisierungen, ein Wendepunkt für Probleme dar, bei denen wir keinen oder nur eingeschränkten Zugriff auf den Variablenraum des zugrunde liegenden System haben. Neue Algorithmen, die speziell für diese Herausforderungen konzipiert sind, werden Wissenschaftlern dabei helfen, Einblicke in die zugrunde liegenden, komplexen Phänomene strömungsmechanischer Systeme zu gewinnen, insbesondere wenn Theorie und Experimente nicht perfekt übereinstimmen. Daher ist das übergeordnete Ziel dieses Forschungsantrags, robuste neuronale Netze zu entwerfen, die es uns ermöglichen, die zeitlichen Dynamiken und komplexen Zusammenhänge von Strömungen aus experimentellen Bilddaten zu erfassen und zu verstehen. Mit Hilfe dieses neuen Ansatzes können somit interpretierbare und leicht verständliche Modelle strömungsmechanischer Anwendungen entdeckt werden. Darüber hinaus kann das vorgeschlagene Verfahren den beobachteten Zustandsraum für beliebige zukünftige Zeitpunkte vorhersagen und so vollständig neue Systemzustände erzeugen.

Recent Publications

There are no publications

Record created 2023-07-23, last modified 2026-03-03

Similar records

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

GSI Homepage \| GSI Library \| English Deutsch \| guest :: login GSI Repository
Search	Submit	Personalize Your alerts Your baskets Your searches	Help