Vorhersage und Verständnis der Wandschubspannungsmodulation durch nichtlineare Wechselwirkungen basierend auf neuartigen maschinellen Lerntechniken

• Antragstellerin: Dr.-Ing. Esther Lagemann
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 525782963

Turbulente, wandgebundene Strömungen sind für zahlreiche technische und biomedizinische Anwendungen von erheblicher Bedeutung. Sie sind jedoch durch hochdimensionale, nichtlineare und instationäre Dynamiken gekennzeichnet, die komplexe Multiskalenphänomene in Raum und Zeit aufweisen. Aufgrund dieser herausfordernden Eigenschaften mangelt es derzeit an einem umfassenden Verständnis dieser komplexen Fluide. Eine Größe, die für viele Anwendungen von signifikanter Bedeutung ist, ist die räumlich und zeitlich aufgelöste Wandschubspannung. Sie ist ein Maß für den Reibungswiderstand, eine im Transportsektor äußerst wichtige Größe, und gibt Einblick in die dynamischen Belastungen der Wände, was in der Humanmedizin von entscheidender Bedeutung sein kann. Trotz ihrer Bedeutung ist es nach wie vor äußerst schwierig, instantane und räumlich gut aufgelöste Wandschubspannungsverteilungen zu messen. Die meisten existierenden Sensoren sind unidirektional und/oder eindimensional, d.h. sie können nur eine punktuelle Wandschubspannungskomponente erfassen. Darüber hinaus sind die räumliche Auflösung und die maximale Anzahl gleichzeitig genutzter Sensoren typischerweise durch experimentelle Einschränkungen begrenzt, die sich aus sekundären, elektronischen Geräten ergeben. Infolgedessen ist die überwiegende Mehrheit der Studien, die Multiskalenphänomene, welche die Wandschubspannungsdynamik modulieren, untersuchen, auf zeitabhängige Daten ohne räumliche Auflösung beschränkt und kann folglich kein umfassendes Bild der komplexen Physik liefern. Das übergeordnete Ziel dieses Antrags ist daher die Entwicklung moderner, Deep-Learning-basierter Algorithmen zur Vorhersage der Wandschubspannung auf der Grundlage leicht zugänglicher Geschwindigkeitsmessungen. Die angestrebten neuronalen Netze sind speziell darauf ausgelegt, ohne einschränkende Annahmen die komplexen, nichtlinearen und instationären Wechselwirkungen, die für die Wandschubspannungsdynamik verantwortlich sind, zu erfassen und für den Menschen interpretierbar zu machen. Insbesondere zielt dieses Vorhaben auf die Entwicklung einer Architektur ab, die eine Abbildungsfunktion von zweidimensionalen Geschwindigkeitsfeldern, die sich in der äußeren Schicht einer turbulenten, wandgebundenen Strömung befinden, auf die instantane, räumlich aufgelöste Wandschubspannungsverteilung lernt. Ergänzend wird aus der abgeleiteten latenten Repräsentation über symbolische Regression ein interpretierbarer, mathematischer Ausdruck extrahiert, der der inhärent gelernten Übertragungsfunktion entspricht. Diese Gleichung wird weitergehend untersucht, um einen tieferen Einblick in die nichtlinearen Wechselwirkungen zu erhalten, die zur Modulation der Wandschubspannung führen. Trainiert auf numerischen Simulationsdaten wird die Generalisierbarkeit des angestrebten Algorithmus anhand von simultanen Particle-Image-Velocimetry-Messungen in der Außenschicht und Wandschubspannungsmessungen mit dem Micro-Pillar Shear-Stress Sensor nachgewiesen.

• DFG-Verfahren: WBP Stipendium
• Internationaler Bezug: USA
• Gastgeber: Professor Steven L. Brunton, Ph.D.