Turbulent Flow Simulations with Physical and Data-Driven Methods

Master | 6 ECTS | SS

Links
C@MPUS Modulinformation

Grundlegende Informationen

Turnus

Jährlich, im Sommersemester

Sprache

Deutsch/Englisch

Zugeordnete Veranstaltungen
  • Wöchentliche Vorlesungen Montags und Donnerstags
  • Wöchentliche Übung Dienstags

Nach Abschluss dieses Kurses werden die Studierenden in der Lage sein:

  • Erkläre die statistische Beschreibung der Turbulenz, inkl. Wahrscheinlichkeitstheorie, Korrelationen und Spektren.
  • Wende die Reynolds‑Zerlegung an, um die RANS‑Gleichungen und die Transportgleichung der turbulenten kinetischen Energie herzuleiten.
  • Unterscheide verschiedene RANS‑Closure‑Modelle, z. B. algebraische Modelle sowie Ein‑ und Zwei‑Gleichungs‑Modelle.
  • Erläutere die Modellierung des Reynolds‑Spannungs‑Transports und nichtlineare Abschlüsse.
  • Leite die gefilterten LES‑Gleichungen sowie Sub‑Grid‑Modelle, z. B. das Smagorinsky‑Modell, ab.
  • Beschreibe die Konzepte implizites LES, wandaufgelöstes LES und wandmodelliertes LES.
  • Verstehe die Grundlagen neuronaler Netze und implementiere moderne Architekturen in PyTorch, etwa CNN, U‑Net und TBNN.
  • Entwickle ein Surrogat‑Modell mit U‑Net für poröse Medien (Projekt).
Dieser Kurs bietet eine vertiefte Untersuchung der Modellierung turbulenter Strömungen. Er behandelt allgemeine Prinzipien hochauflösender physikalischer Modellierung und deren Umsetzung in datengetriebenen Verfahren, wobei die gewonnenen Erkenntnisse für Studierende anderer Fachbereiche nützlich sein können. Inhaltlich umfasst er:
 
  • Einführung in turbulente Strömungen und statistische Beschreibung der Turbulenz
  • Reynolds‑averaged Navier‑Stokes‑Gleichungen (RANS): Herleitung, lineare und nichtlineare Modelle sowie RSTM
  • Large‑Eddy‑Simulation (LES): explizite Modelle, implizite Verfahren, wandaufgelöstes und wandmodelliertes LES
  • Grundlagen neuronaler Netze: MLP, Backpropagation, SGD
  • Moderne Netzwerkarchitekturen: CNN, U‑Net, TBNN
  • Anwendungen von Machine Learning in der Strömungsmechanik (z. B. Surrogatmodell für poröse Medien, Datenaugmentation bei Turbulenz)
  • Physik‑informierte, datengetriebene Turbulenzmodelle (Invarianz, Nichtdimensionalisierung)
  • Praxisnahe Programmierung und Anwendung neuronaler Netze mit PyTorch.
  • J. Frölich, Large Eddy Simulation turbulenter Strömungen, Springer, 2006 
  • D. C. Wilcox, Turbulence Modeling for CFD, 3rd Ed., DCW Industries, 2006
  • S. Pope, Turbulent Flows, Cambridge University Press, 2000

Mündliche Prüfung von 40 Minuten Dauer.

Vor der Prüfung werden Prüfungssprechstunden angeboten, die rechtzeitig über Ilias oder in der Vorlesung angekündigt werden. Diese dienen in erster Linie dazu, noch offene Fragen, die sich bei der Prüfungsvorbereitung ergeben, zu klären.

Zur Zusammenfassung der Vorlesung und ebenfalls zur Prüfungsvorbereitung bieten wir Ihnen außerdem eine Überblicksvorlesung über den Inhalt der Prüfung an. Darin wird der allgemeine Aufbau und Ablauf und Beispielfragen vorgestellt. Die Unterlagen zur Überblicksvorlesung finden Sie zu gegebenem Zeitpunkt im Ilias.

Zum Seitenanfang