Haidn, Oskar J. (Prof. Dr.); Hu, Xiangyu (Priv.-Doz. Dr.); Thuerey, Nils (Prof. Dr.)
Sprache:
en
Fachgebiet:
MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik
Stichworte:
Deep learning; Convolutional neural network; Numerical simulation; Liquid rocket engine
Übersetzte Stichworte:
Deep Learning; Convolutional Neural Networks; Numerische Simulation; Flüssigkeitsraketentriebwerk
TU-Systematik:
VER 700
Kurzfassung:
This cumulative dissertation consists of four variants of deep learning methods for physics field predictions using convolutional neural networks. First, a data-driven method to characterize film cooling flows in a rocket combustor, second, a combined data- and physics-driven method for heat conduction predictions, third, a physics-driven approach to solving fluid mechanics problems obeying Navier-Stokes equations, and finally, a generative adversarial network with physical evaluators framework to employ prior knowledge of the involved physics for spray simulations.
«
This cumulative dissertation consists of four variants of deep learning methods for physics field predictions using convolutional neural networks. First, a data-driven method to characterize film cooling flows in a rocket combustor, second, a combined data- and physics-driven method for heat conduction predictions, third, a physics-driven approach to solving fluid mechanics problems obeying Navier-Stokes equations, and finally, a generative adversarial network with physical evaluators framework...
»
Übersetzte Kurzfassung:
Diese kumulative Dissertation stellt vier verschiedenen Deep-Learning-Methoden zur Vorhersage der physikalischen Felder unter Verwendung der Convolutional Neural Networks vor: eine Data-Driven Methode zur Charakterisierung von Kühlfilmströmungen in Raketenbrennkammern; eine kombinierte Data- und Physics-Driven Methode zur Vorhersage von Wärmeleitungsproblemen; einen Physics-Driven Ansatz zur Lösung von Strömungsproblemen unter Erhaltung der Navier-Stokes-Gleichungen und schließlich ein Generative Adversarial Network mit Bewertung, um entsprechendes physikalisches Vorwissen für Zerstäubungssimulationen einzubinden.
«
Diese kumulative Dissertation stellt vier verschiedenen Deep-Learning-Methoden zur Vorhersage der physikalischen Felder unter Verwendung der Convolutional Neural Networks vor: eine Data-Driven Methode zur Charakterisierung von Kühlfilmströmungen in Raketenbrennkammern; eine kombinierte Data- und Physics-Driven Methode zur Vorhersage von Wärmeleitungsproblemen; einen Physics-Driven Ansatz zur Lösung von Strömungsproblemen unter Erhaltung der Navier-Stokes-Gleichungen und schließlich ein Generat...
»