Verbesserung der Simulationen von großen, mit dichten Partikeln beladenen Strömungen durch maschinelles Lernen: ein genetischer Programmieransatz

• Antragstellerinnen / Antragsteller: Professorin Dr.-Ing. Sanaz Mostaghim; Professor Dr. Berend van Wachem
• Fachliche Zuordnung: Strömungsmechanik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Mechanische Verfahrenstechnik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 466092867

Partikelbeladene Strömungen treten in vielen natürlichen und industriellen Prozessen auf, wie zum Beispiel in der Strömung von roten und weißen Blutkörperchen in Plasma oder der Bewegung von Partikeln in Wirbelschichten. In den letzten 40 Jahren haben Wissenschaftler Euler-Lagrange (EL) Simulationen verwendet, um das Verhalten solcher Strömungen vorherzusagen. Allerdings stützen sich EL-Simulationen stark auf Schließungsmodelle, um die Subfilterspannungen (d.h. Fluidturbulenzen) und die Wechselwirkung zwischen dem Fluid und den Partikeln zu beschreiben. Diese Schließungsmodelle entstehen aus komplexen physikalischen Phänomenen, die auf kleinen Skalen auftreten: wie kleine Fluidwirbel interagieren und wie das Fluid mit den Oberflächen der Partikel interagiert. Aktuelle Modelle hierfür sind weitgehend empirisch, rudimentär und die genaue Bestimmung der Werte wäre extrem teuer, da viele hoch aufgelöste Simulationen für jeden der Fälle durchgeführt werden müssten. Dies ist ein Antrag zur Entwicklung neuartiger Modelle für die Subfilterspannungen und die Wechselwirkungen zwischen Partikeln und Flüssigkeiten zur Vorhersage partikelbeladener Strömungen auf Prozessebene unter Berücksichtigung der Eigenschaften der Strömung um das Partikel und der umgebenden Partikel unter Verwendung eines überwachten maschinellen Lernansatzes: genetische Programmierung (GP). GP ist sehr gut geeignet, da das Ergebnis überprüfbare Gleichungen produziert. In der ersten Förderperiode haben wir ein neues, sehr genaues Partikel-Fluid-Wechselwirkungsmodell entwickelt. In dieser Förderperiode werden wir das Modell mit einer Unsicherheitsquantifizierung erweitern und einen Ausdruck für die nicht geschlossenen Subfilterspannungen entwickeln. Die entwickelten Gleichungen werden durch analytische Lösungen und hoch aufgelöste Simulationen validiert und ermöglichen genaue, groß angelegte Simulationen dichter partikelbeladener Strömungen auf Prozessebene, wobei nur ein Bruchteil der Kosten vollständig aufgelöster Simulationen erforderlich ist.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2331: Maschinelles Lernen in der Verfahrenstechnik. Wissen trifft auf Daten: Interpretierbarkeit, Extrapolation, Verlässlichkeit, Vertrauen
• Internationaler Bezug: USA
• Kooperationspartner: Professor Dr. Fabien Evrard