Kontakt
Universitätsstraße 32
70569 Stuttgart
Raum: 2.211
Fachgebiet
Die Professur "Data-Driven Simulation of Fluids on High-Performance Computers" ist einzigartig an der Schnittstelle von Strömungsdynamik, Data Science und High-Performance Computing positioniert. Unsere Gruppe entwickelt innovative datenwissenschaftliche Methoden (Datenassimilation, maschinelles Lernen und Quantifizierung von Unsicherheiten), um das Verständnis und die Vorhersage von physikalischen Systemen auf mehreren Ebenen zu verbessern, z. B. :
- aerodynamische turbulente Strömungen
- laminar-turbulenter Übergang
- unterirdische Strömungen in porösen Medien
- partikelbeladene Strömungen
Beruflicher Werdegang
- Seit 12.2022 Professor für Daten-getriebene Strömungsmechanik an der Universität Stuttgart, Deutschland
- 2020 - 2022 Associate Professor für Luft- und Raumfahrt- sowie Ozeantechnik an der Virginia Tech, USA
- 2013 - 2020 Assistenzprofessor für Luft- und Raumfahrt- sowie Ozeantechnik an der Virginia Tech, USA
- 2009 bis 2012 Postdoktorand/Lektor an der ETH Zürich, Schweiz
Bildungsweg
- 2009 Promotion in Bauingenieurwesen an der Princeton University, USA
- 2005 M.Sc. in Wissenschaftlicher Informatik am Königlichen Institut für Technologie (KTH), Schweden
- 2003 B.Sc. in Bauingenieurwesen an der Zhejiang University, China
Eine aktualisierte Publikationsliste finden Sie unter Google Scholar
- Y. Lu, X.-H. Zhou, H. Xiao, Q. Li. Using machine learning to predict urban canopy flows for land surface modeling. Geophysical Research Letters, 50, e2022GL102313, 2023.
- X.-L. Zhang, H. Xiao, X. Luo, G. He. Ensemble Kalman method for learning turbulence models from indirect observation data. Journal of Fluid Mechanics, 949(A26), 2022.
- X.H. Zhou, J. Han, H. Xiao. Frame-independent vector-cloud neural network for nonlocal constitutive modelling on arbitrary grids. Computer Methods in Applied Mechanics and Engineering, 388, 114211, 2022.
- X.L. Zhang, C. Michelén-Ströfer, H. Xiao. Regularization of ensemble Kalman methods for inverse problems. Journal of Computational Physics, 416, 109517 (26 pages), 2020.
- K. Duraisamy, G. Iaccarino, and H. Xiao. Turbulence modeling in the age of data. Annual Review of Fluid Mechanics, 51, 357-377, 2019.
- J.-L. Wu, H. Xiao, R. Sun, and Q. Wang. Reynolds averaged Navier-Stokes equations with explicit data-driven Reynolds stress closure can be ill-conditioned. Journal of Fluid Mechanics, 869, 553-586, 2019
- J.-L. Wu, H. Xiao and E. G. Paterson. Physics-informed machine learning approach for augmenting turbulence models: A comprehensive framework. Physical Review Fluids, 3, 074602 (28 pages), 2018.