elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Assessment of data-driven Reynolds stress tensor perturbations for uncertainty quantification of RANS turbulence models

Matha, Marcel und Kucharczyk, Karsten und Morsbach, Christian (2022) Assessment of data-driven Reynolds stress tensor perturbations for uncertainty quantification of RANS turbulence models. In: AIAA Aviation 2022 Forum. AIAA AVIATION Forum 2022, 2022-06-27 - 2022-07-01, Chicago, Illinois, USA. doi: 10.2514/6.2022-3767. ISBN 978-1-62410-635-4.

[img] PDF
9MB

Offizielle URL: https://arc.aiaa.org/doi/10.2514/6.2022-3767

Kurzfassung

In order to achieve a more simulation-based design and certification process of jet engines in the aviation industry, the uncertainty bounds for computational fluid dynamics have to be known. This work shows the application of machine learning to support the quantification of epistemic uncertainties of turbulence models. The underlying method in order to estimate the uncertainty bounds is based on eigenspace perturbations of the Reynolds stress tensor in combination with random forests.

elib-URL des Eintrags:https://elib.dlr.de/188540/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Assessment of data-driven Reynolds stress tensor perturbations for uncertainty quantification of RANS turbulence models
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Matha, Marcelmarcel.matha (at) dlr.dehttps://orcid.org/0000-0001-8101-7303NICHT SPEZIFIZIERT
Kucharczyk, Karstenkarsten.kucharczyk (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Morsbach, ChristianChristian.Morsbach (at) dlr.dehttps://orcid.org/0000-0002-6254-6979NICHT SPEZIFIZIERT
Datum:21 Juni 2022
Erschienen in:AIAA Aviation 2022 Forum
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.2514/6.2022-3767
ISBN:978-1-62410-635-4
Status:veröffentlicht
Stichwörter:RANS, turbulence models, uncertainty quantification, machine learning, data-driven
Veranstaltungstitel:AIAA AVIATION Forum 2022
Veranstaltungsort:Chicago, Illinois, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:27 Juni 2022
Veranstaltungsende:1 Juli 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Umweltschonender Antrieb
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L CP - Umweltschonender Antrieb
DLR - Teilgebiet (Projekt, Vorhaben):L - Virtuelles Triebwerk
Standort: Köln-Porz
Institute & Einrichtungen:Institut für Antriebstechnik
Hinterlegt von: Matha, Marcel
Hinterlegt am:30 Sep 2022 10:45
Letzte Änderung:24 Apr 2024 20:49

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.