Studentische Arbeiten (Details)

04.11.2019

Machine Learning zur Bestimmung von Oberflächenspannungen

Eine der größten Herausforderungen bei der numerischen Berechnung von Mehrphasensystemen mit der Volume-of-Fluid (VOF) Methode ist die Bestimmung der Oberflächenspannungskräfte. Die gebräuchlichen Ansätze zur Berechnung der Oberflächenkrümmung und der daraus resultierenden Kräfte im Phasenübergang sind meist rechenaufwendig oder ungenau. In aktuellen Untersuchungen werden Machine Learning (ML) Methoden zur Krümmungberechnung eingesetzt um eine verbesserte Darstellung der Oberflächenkräfte zu erhalten.

Ziel dieser Arbeit ist die Untersuchung der Berechnung von Oberflächenkräfte bzw. – krümmung in der Mehrphasensimulation mit Hilfe verschiedener Machine Learning Algorithmen. Anhand einer Literaturrecherche sollen geeignete Testfälle und Machine Learning Algorithmen für die Untersuchungen ausgewählt werden. Entsprechend benötigte Daten werden mit Hilfe das inhouse Strömungslösers FASTEST generiert. Die Anwendung der Machine Learning Methoden soll in Python unter Verwendung der Open-Source Bibliothek TensorFlow bzw. Keras umgesetzt werden.

Arbeitsschritte

• Literaturrecherche zum Thema Maschine Learning (im Kontext der Strömungssimulation)

• Betreute Einarbeitung in FASTEST (inhouse Strömungslöser) und TensorFlow/Keras (Open-Source ML Python Bibliothek)

• Auswahl von geeigneten Testfällen und Erzeugung von Datensätzen

• Untersuchung von Machine Learning Algorithmen zur Berechnung der Oberflächenkräfte bzw. – krümmungEntwicklung

Voraussetzungen

• Grundkenntnisse in numerischen Methoden zur Strömungssimulation

• Grundkenntnisse im wissenschaftlichen Programmieren (z.B. Python, Matlab, Fortran)

Ausschreibung

zur Liste