Integration und Optimierung der nicht-linearen FlowFit3-Datenassimilation

Kurzfassung

FlowFit ist ein Datenassimilationsverfahren zur Rekonstruktion kontinuierlicher Strömungsfelder, basierend auf LPT Daten strömungsfolgender Partikel. Im Rahmen der vorliegenden Arbeit wird die C++ Implementierung der dritten Version des Verfahrens, FlowFit3, vervollständigt und optimiert. Der Fokus liegt dabei auf der Integration des nicht-linearen Rekonstruktionsmodus, der bisher in Form einer Julia Implementierung vorliegt. Dieser Modus ermöglicht die Rekonstruktion von Geschwindigkeits- und Druckfeldern unter Berücksichtigung physikalischer Strömungsgesetze. Zur Implementierung des Verfahrens in C++ werden zunächst verschiedene Optimierungsbibliotheken implementiert und miteinander verglichen. Zusätzlich werden Faltungsoperationen sowie Algorithmen zum Abtasten der berechneten Strömungsfelder gezielt hinsichtlich paralleler Datenverarbeitung und Speicherzugriffen optimiert, wodurch die Effizienz des gesamnten Verfahrens erhöht wird. Des Weiteren wird eine Pythonschnittstelle unter Verwendung der Pybind11 Bibliothek entwickelt, die den vollständigen Rekonstruktionsprozess unter Python zugänglich macht und eine direkte Interoperabilität mit anderen Verfahren, wie STB, ermöglicht. Abschließend wird die finale Implementierung mit Hilfe synthetischer Testfälle validiert und mit Rekonstruktionsergebnissen der Julia Implementierung verglichen. Dabei erreicht die im Rahmen dieser Arbeit entwickelte C++ Implementierung eine vergleichbare Rekonstruktionsganuigkeit bei signifikant besserer Laufzeit. / FlowFit is a data assimilation method designed to reconstruct continous flowfields from LPT data of individual flow particles. Within this work, the C++ implementation of the third version of FlowFit, FlowFit3, is completed and optimized. The focus lies on integrating the non-linear reconstruction mode, currently implemented in Julia, which allows for the reconstruction of velocity and pressure fields with consideration of physical laws. During the implementation process, various optimization libraries are implemented and compared. Additionally, convolution operations and algorithms used to evaluate calculated flowfields are optimized regarding parallel data processing and memory access patterns, significantly enhancining the overall performance. Furthermore, a python interface is implemented using the Pybind11 library, enabling access to the entire reconstruction process in Python and facilitating interoperability with other methods, such as STB. Finally, the implementation is validated with synthetic test cases. Moreover, the reconstruction results are comapared with their aquivalent Julia reconstruction. These comparissons show comparable reconstruction accuracy with significantly improved runtime.