Kurzbeschreibung

Der Workshop gibt einen Überblick der Anwendungs­möglichkeiten von Methoden des Maschinellen Lernens in der Strömungs­mechanik. Der Fokus liegt auf der Diskussion der simulations­gestützten Datenbasis, den daraus folgenden lern­methodischen Möglichkeiten bzw. Grenzen, und methodischen Brücken zu Modell­reduktions­strategien. Auf der einen Seite stellen räumlich und zeitlich hochauflösende Simulations­ergebnisse eine beachtliche Datenmenge zur Verfügung, auf der anderen Seite ist die Daten­erstellung für unterschiedliche Betriebs­parameter und/oder Konfigurationen auf Grund der komplexen Simulations­modelle äußerst aufwendig und kostenintensiv. Eine Anwendung zur echtzeitnahen, genauen Bestimmung strömungs­mechanischer Lasten bei sehr großen Reynolds-Zahlen wird in einem Beispiel vorgestellt. Das entwickelte Surrogat-Modell basiert auf einer kompakten Beschreibung der Druckfelder für unterschiedliche Betriebs­parameter und Konfigurationen, welche durch einen ML-basierten Autoencoder generiert wird.