SuPi - Superauflösende physikinformierte neuronale Netze

• Antragsteller: Dr.-Ing. Michael Mommert
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 566613562

Der Wärmetransport ist eine Größe, die bei vielen technischen Problemen entweder minimiert oder maximiert wird. Aus diesem Grund sind konvektive Wärmeströme von besonderem Interesse bei der Untersuchung von thermischen Konvektionsströmungen, von der Grundlagenforschung bis hin zu praktischen Anwendungen. Bis vor kurzem konnten Wärmestromfelder nur durch die Kombination von Messverfahren wie Partikel-Tracking und Partikel-Bild-Thermometrie gemessen werden, was den Messaufbauten wesentlich komplizierter macht. Jüngste Forschungen haben jedoch gezeigt, dass maschinelle Lernansätze in Form von physikinformierten neuronalen Netzen (PINNs) das Potenzial haben, Temperaturinformationen aus Geschwindigkeitsfeldern in auftriebsgetriebenen Strömungen zu extrahieren. Allerdings erstreckt sich diese Fähigkeit bisher nur auf mäßig turbulente Strömungen, wenn vollständig aufgelöste Geschwindigkeitsfelder zur Verfügung stehen. Das vorgeschlagene Projekt zielt darauf ab, den Rahmen für die Rekonstruktion von Temperaturfeldern mit dem Ziel zu erweitern, PINN in die Lage zu versetzen, Strukturen auf kleineren Skalen zu erzeugen, als sie in den bereitgestellten Daten vorhanden sind, was bisher die Anwendung von PINN auf hochturbulente Strömungen verhindert hat. Die vorgeschlagene Erweiterung zielt also auf das Haupthindernis der Handhabung von Geschwindigkeitsdaten ab, die nicht das gesamte Spektrum der Skalen vollständig auflösen. Gleichzeitig geht das Projekt damit auch auf die derzeitigen Einschränkungen von PINNs ein, die sich aus ihrer multikriteriellen Optimierung ergeben.

• DFG-Verfahren: Sachbeihilfen