User: Guest  Login
More Searchfields
Simple search
Original title:
Uncertainty Quantification and Machine Learning Surrogate Models for Multi-Scale High-Performance-Computing Plasma Physics Turbulent Transport Simulations
Translated title:
Unsicherheitsquantifizierung und Maschinelles-Lernen-Surrogatmodelle für Mehrskalige Hochleistungsrechner-Plasmaphysik-Simulationen Turbulenten Transports
Author:
Yudin, Yehor
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 5 - Lehrstuhl für Scientific Computing (Prof. Bungartz)
Advisor:
Jenko, Frank (Prof. Dr.)
Referee:
Jenko, Frank (Prof. Dr.); Bungartz, Hans-Joachim (Prof. Dr.)
Language:
en
Subject group:
PHY Physik
Keywords:
Uncertainty Quantification; Plasma Physics; Surrogate Modelling; Machine Learning; Gaussian Process Regression; Turbulence; HPC
TUM classification:
MAT 650; DAT 780
Abstract:
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.
Translated abstract:
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...     »
WWW:
https://mediatum.ub.tum.de/?id=1739952
Date of submission:
16.04.2024
Oral examination:
12.08.2024
File size:
9625035 bytes
Pages:
138
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240812-1739952-1-7
Last change:
21.10.2024
 BibTeX