Uncertainty Quantification and Machine Learning Surrogate Models for Multi-Scale High-Performance-Computing Plasma Physics Turbulent Transport Simulations
Übersetzter Titel:
Unsicherheitsquantifizierung und Maschinelles-Lernen-Surrogatmodelle für Mehrskalige Hochleistungsrechner-Plasmaphysik-Simulationen Turbulenten Transports
This work presents an uncertainty quantification applied to equations for plasma evolution in a tokamak, focusing on uncertainties in heat transport driven by turbulent processes, solved via high-fidelity computational codes.
The results of quantifying the influence of parametric uncertainties on turbulent transport, analysis of irreducible uncertainties of fluctuating fluxes, and application of data-driven surrogates to alleviate the computational cost for algorithms are presented.
Übersetzte Kurzfassung:
In dieser Arbeit wird eine Quantifizierung von Unsicherheiten vorgestellt, die auf Gleichungen für die Plasmaentwicklung in einem Tokamak angewandt wird.
Der Schwerpunkt liegt auf Unsicherheiten im Wärmetransport, der durch turbulente Prozesse angetrieben wird, die mit High-Fidelity-Rechencodes gelöst werden.
Es werden die Ergebnisse der Quantifizierung des Einflusses parametrischer Unsicherheiten auf den turbulenten Transport, der Analyse irreduzibler Unsicherheiten fluktuierender Flüsse und der Anwendung von datengesteuerten Surrogaten zur Verringerung der Rechenkosten für Algorithmen vorgestellt.
«
In dieser Arbeit wird eine Quantifizierung von Unsicherheiten vorgestellt, die auf Gleichungen für die Plasmaentwicklung in einem Tokamak angewandt wird.
Der Schwerpunkt liegt auf Unsicherheiten im Wärmetransport, der durch turbulente Prozesse angetrieben wird, die mit High-Fidelity-Rechencodes gelöst werden.
Es werden die Ergebnisse der Quantifizierung des Einflusses parametrischer Unsicherheiten auf den turbulenten Transport, der Analyse irreduzibler Unsicherheiten fluktuierender Flüsse u...
»