Login
- Originaltitel:
- Probabilistic Modeling and Scientific Machine Learning for Computational Physics and Engineering
- Übersetzter Titel:
- Probabilistische Modellierung und wissenschaftliches maschinelles Lernen für die rechnergestützte Physik und Ingenieurwissenschaften
- Autor:
- Agrawal, Atul
- Jahr:
- 2025
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Institution:
- Professur für Data-driven Materials Modeling (Prof. Koutsourelakis)
- Betreuer:
- Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.)
- Gutachter:
- Koutsourelakis, Phaedon-Stelios (Prof., Ph.D.); Dietrich, Felix (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik; PHY Physik
- Stichworte:
- Probabilistic modeling; physics-based inductive bias; uncertainty quantification; scientific machine learning; differentiable physics; optimization under uncertainty; turbulence closure
- TU-Systematik:
- MTA 009; PHY 210
- Kurzfassung:
- This PhD thesis integrates probabilistic machine learning with physics-based modeling to improve computational methods in science and engineering. It presents strategies to address challenges such as limited data, noise, and differentiability. Key contributions include a probabilistic data-driven turbulence model, a framework for sustainable concrete design combining model discovery and optimization, and a novel algorithm for optimizing high-dimensional, physics-based simulations.
- Übersetzte Kurzfassung:
- Diese Dissertation integriert probabilistisches maschinelles Lernen mit physikbasierter Modellierung, um rechnerische Methoden in Wissenschaft und Technik zu verbessern. Es werden Strategien vorgestellt, um Herausforderungen wie begrenzte Daten, Rauschen und Differenzierbarkeit zu bewältigen. Zu den wichtigsten Beiträgen gehören ein probabilistisches, datengetriebenes Turbulenzmodell, ein Rahmenwerk für nachhaltiges Betondesign, das Modellentdeckung und -optimierung kombiniert, und ein neuer Alg... »
- WWW:
- https://mediatum.ub.tum.de/?id=1752562
- Eingereicht am:
- 29.08.2024
- Mündliche Prüfung:
- 04.03.2025
- Dateigröße:
- 15107465 bytes
- Seiten:
- 205
- Volltext / DOI:
- doi:10.14459/2025md1752562
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250304-1752562-0-4
- Letzte Änderung:
- 17.03.2025
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandHochschulbibliographie2025SchoolsTUM School of Engineering and DesignProfessur für Data-driven Materials Modeling (Prof. Koutsourelakis)