Datengetriebene Methoden und Deep Learning für die verbesserte anisotrope Modellierung von Turbulenzen

• Antragsteller: Professor Dr.-Ing. Suad Jakirlic; Dr. Tobias Knopp; Professor Philipp Schlatter
• Fachliche Zuordnung: Strömungsmechanik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 568894306

Realistische aerodynamische Konfigurationen, sowohl für niedrige Geschwindigkeiten (Windturbinen) als auch für hohe Geschwindigkeiten (Flugzeuge), werden von stark anisotropen 3D-Turbulenzströmungen dominiert, oft mit starken Ablöse- und Krümmungseffekten, deren genaue Vorhersage noch erhebliche Verbesserungen in der Turbulenzmodellierung erfordert. Nur die differentiellen Reynoldsspannungsgleichungen (oder Gleichungen höherer Ordnung) enthalten eine ausreichende Anzahl von Freiheitsgraden, um diese komplexen Strömungen mathematisch zu charakterisieren. Die vollständige tensorielle Darstellung der zu schließenden Terme erfordert die Kalibrierung einer großen Anzahl variabler Koeffizienten, die nichtlinear von den lokalen Strömungseigenschaften abhängen. Neuere Entwicklungen datengetriebener Modelle nutzen maschinelles Lernen und hochgenaue numerische oder experimentelle Datenbasis, um die nicht geschlossenen Terme angemessen zu formulieren, ohne auf die restriktiven vereinfachenden Annahmen und kanonischen Strömungskonfigurationen zurückgreifen zu müssen, die in klassischen Turbulenzmodellierungsansätzen häufig verwendet werden. Die datengestützten Modelle befinden sich jedoch noch in einem frühen Entwicklungsstadium und haben Schwierigkeiten, über die enge Klasse von Strömungen hinaus zu verallgemeinern, für die sie ursprünglich entwickelt wurden. Dies ist auf die ungeeignete Wahl der Eingangsparameter, die Nichtbeachtung der Invarianteneigenschaften, das Fehlen umfangreicher und realitätsnaher Referenzdatensätze und die unangemessene Verwendung beim Training zurückzuführen. Um diese Unzulänglichkeiten zu überwinden und einen bahnbrechenden Wandel hin zu einer neuen Generation effizienter und verallgemeinerbarer anisotroper Turbulenzmodelle auf der Basis maschinellen Lernens zu fördern, wird das Projekt DREAM-Turbulence ein Team von Experten auf dem Gebiet der physikbasierten und datengetriebenen Turbulenzmodellierung in Frankreich und Deutschland zusammenbringen, die eng zusammenarbeiten werden, um qualitativ hochwertige Daten zu generieren und zu nutzen, Tensordarstellungen zu verbessern und dateneffiziente Lernalgorithmen zu entwickeln. Das Projekt umfasst auch die Generierung von hochgenauen Daten für die direkte numerische Simulation (DNS) von 3D Strömungen mit Ablösung und die Evaluierung der vorgeschlagenen transparent interpretierbaren Modellierungsverbesserungen anhand einer erweiterten Reihe von Testfällen. Das Projekt umfasst auch die Generierung von hochgenauen Daten für die direkte numerische Simulation (DNS) von 3D Strömungen mit Ablösung und die Evaluierung der vorgeschlagenen transparent interpretierbaren Modellierungsverbesserungen anhand einer erweiterten Reihe von Testfällen.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich
• Mitverantwortliche: Dr. Philipp Bekemeyer; Dr.-Ing. Cornelia Grabe
• Kooperationspartnerinnen / Kooperationspartner: Professorin Dr. Paola Cinnella; Professor Dr. Georges Gerolymos; Dr. Remi Manceau; Professorin Dr. Isabelle Vallet