Unsere Gruppe entwickelt fortschrittliche Data-Science-Methoden um Vorhersagen zu verbessern und das Verständnis komplexer turbulenter Strömungen und physikalischer Systeme über mehrere Skalen hinweg zu vertiefen. Zurzeit arbeiten wir in drei Forschungsbereichen.
Datengetriebene Turbulenzmodellierung
Turbulenz zählt zu den letzten ungelösten Problemen der klassischen Physik und erstreckt sich über räumliche Skalen von wenigen Zentimetern bis hin zu planetaren Dimensionen – sowohl in natürlichen als auch in technischen Systemen. Aktuelle Simulationen stützen sich auf Reynolds-gemittelte Navier-Stokes-Gleichungen mit Schließungsmodellen – ein Ansatz, der seit Jahrzehnten kaum Fortschritte verzeichnet. Wir schlagen datengetriebene, physikalisch informierte Methoden vor, um diese Herausforderung in allen Szenarien der Datenverfügbarkeit zu bewältigen.
Generative Modellierung dynamischer Systeme
Die schnelle, zeitaufgelöste Vorhersage turbulenter Strömungen in komplexen Umgebungen – wie städtischen Bebauungen oder Windparks – bleibt eine große Herausforderung. Hochgenaue Verfahren wie DNS und LES sind häufig zu rechenaufwändig und basieren auf unsicheren Eingangsgrößen. Wir untersuchen, wie modernste generative KI-Modelle für die wissenschaftliche Modellierung angepasst werden können, um eine zuverlässige und skalierbare Turbulenzvorhersage mit quantifizierter Unsicherheit zu ermöglichen.
Untergrundströmungen
Eine grundlegende Herausforderung in der Forschung zu Strömungen im geologischen Untergrund besteht darin, im Labor gemessene Gesteins- und Strömungseigenschaften im Kernmaßstab auf den Feldmaßstab zu übertragen. Wir zielen darauf ab, Physik mit Datenanalyse zu kombinieren, um diese grundlegende Herausforderung zu adressieren, indem wir neuartige, auf maschinellem Lernen und Datenassimilation basierende Frameworks entwickeln.
