Anwendbarkeit von Machine Learning in der Unsicherheitsquantifizierung von Turbulenzmodellen

Abstract

Ziel dieser Arbeit ist die Anwendung und Diskussion von Machine-Learning-Methoden in der Unsicherheitsquantifizierung von Turbulenzmodellen. Hierbei untersuchen wir die klassische und datengetriebene Perturbationsmethode. Diese Methoden sollen die Unsicherheiten bezüglich der Form eines modellierten Reynolds-Spannungstensors messen. Anhand von abgelösten zweidimensionalen Strömungen testen wir die Generalisierungseigenschaften der genutzten Machine-Learning-Modelle und untersuchen, inwiefern die klassische Perturbationsmethode mithilfe von Machine-Learning-Methoden verbessert werden kann.