Benutzer: Gast  Login
Originaltitel:
Randbedingungsbasierte und Datengetriebene Modellierung Reduzierter Ordnung der Instationären Aerodynamik
Übersetzter Titel:
Boundary-Condition-Based and Data-Driven Reduced Order Modeling of Unsteady Aerodynamics
Autor:
Rosov, Vladislav
Jahr:
2021
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Betreuer:
Breitsamter, Christian W. M. (Prof. Dr.)
Gutachter:
Breitsamter, Christian W. M. (Prof. Dr.); Hennings, Holger (Prof. Dr.)
Sprache:
de
Fachgebiet:
MTA Technische Mechanik, Technische Thermodynamik, Technische Akustik
Stichworte:
Instationäre Aerodynamik, Rechnergestützte Aeroelastik, Modelle reduzierter Ordnung, Linearisierte CFD, Deep Learning, Maschinelles Lernen, Nichtlineare Dynamik, Antimetrie, Antimetrierandbedingung, Triebwerksmodellierung, Numerische Randbedingungen, Transsonische Strömung
Übersetzte Stichworte:
Unsteady Aerodynamics, Computational Aeroelasticity, Reduced Order Modeling, Linearized CFD, Deep Learning, Machine Learning, Nonlinear Dynamics, Antisymmetry, Antisymmetric Boundary Condition, Jet Engine Modeling, Numerical Boundary Conditions, Transonic Flow
TU-Systematik:
MTA 300; VER 505
Kurzfassung:
Der Schwerpunkt der vorliegenden Arbeit liegt auf der Modellierung reduzierter Ordnung der instationären Aerodynamik. Mittels randbedingungsbasierter Ansätze wird sowohl die Effizienz als auch der Detaillierungsgrad von linearisierten CFD-Methoden signifikant gesteigert. Darüber hinaus wird ein auf Deep Learning basiertes, datengetriebenes Modell entwickelt, das in der Lage ist das nichtlineare, bewegungsinduzierte Verhalten komplexer, transsonischer Druckverteilungen äußerst genau und effizient...     »
Übersetzte Kurzfassung:
The present work is focused on the reduced order modeling of unsteady aerodynamics. By means of boundary-condition-based approaches, both the efficiency and the level of detail of linearized CFD methods are significantly increased. Furthermore, a Deep-Learning-based, data-driven model is developed that is able to predict the nonlinear, motion-induced behavior of complex, transonic pressure distributions in a highly accurate and efficient manner.
WWW:
https://mediatum.ub.tum.de/?id=1613281
Eingereicht am:
10.06.2021
Mündliche Prüfung:
20.12.2021
Dateigröße:
45901588 bytes
Seiten:
183
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20211220-1613281-1-2
Letzte Änderung:
07.02.2022
 BibTeX