Benutzer: Gast  Login
Originaltitel:
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
Autor:
Yudin, Yehor
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 5 - Lehrstuhl für Scientific Computing (Prof. Bungartz)
Betreuer:
Jenko, Frank (Prof. Dr.)
Gutachter:
Jenko, Frank (Prof. Dr.); Bungartz, Hans-Joachim (Prof. Dr.)
Sprache:
en
Fachgebiet:
PHY Physik
Stichworte:
Uncertainty Quantification; Plasma Physics; Surrogate Modelling; Machine Learning; Gaussian Process Regression; Turbulence; HPC
TU-Systematik:
MAT 650; DAT 780
Kurzfassung:
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 u...     »
WWW:
https://mediatum.ub.tum.de/?id=1739952
Eingereicht am:
16.04.2024
Mündliche Prüfung:
12.08.2024
Dateigröße:
9625035 bytes
Seiten:
138
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240812-1739952-1-7
Letzte Änderung:
21.10.2024
 BibTeX