Smart Sensing in Fluid Dynamics (Smart sensing and machine learning in fluid dynamic)

Vorlesungsinhalt

(D)
Integration und Interaktion zwischen fortgeschrittenen Messtechniken, Machine Learning und numerischer Simulation.

Der Kurs umfasst folgende Themen:

• Zeitgemittelte und zeitaufgelöste Messung von Strömungen mittels diskreter Sensoren (Druck, Wandschubspannung, Temperatur) und bildgebender Verfahren (PIV, LPT, Infrarot-Thermografie, druck- oder temperatursensitive Farben (PSP/TSP), event-basierte Bildgebung) sowie die zugehörige initiale Datenverarbeitung. Einführung in latenzarme Echtzeit-Sensorik.
• Versuchsplanung (Design of Experiments) und Datengenerierung.
• Modellordnungsreduktion (Reduced-order modeling) und Identifikation kohärenter Strukturen (PCA/POD, DMD, SPOD, Autoencoder).
• Grundlagen des Machine Learning: Datendarstellung, Feature-Design, Training und Validierung. Neuronale Netze und Surrogatmodellierung für diskrete und kontinuierliche Strömungsvorhersagen (mit Fokus auf strömungsspezifische Merkmale; PINNs-SINDy).
• Unsicherheitsquantifizierung mittels probabilistischer und Bayesscher Ansätze.
• Sparse Sensing, Compressive Sensing und optimale Sensorplatzierung.
• Fusion heterogener Daten und Daten unterschiedlicher Genauigkeit (Multi-Fidelity-Daten).
• Datenassimilationsverfahren (Filterung, Nudging, Kalman-Methoden, Autoencoder und andere nichtlineare Ansätze) zur Kombination von Experiment und Simulation.
• Praktische Übungen (Hands-on Tutorials).

Abschlussprojekt:

Die Studierenden planen, führen ein eigenständiges Experiment durch und analysieren dieses unter Anwendung der im Kurs erlernten Methoden.

(E)

Integration and interaction between advanced measurement techniques, machine learning, and numerical simulation. The course will cover:

• Time averaged and time resolved measurement of fluid flows using discrete sensors (pressure, shear stress, temperature) and imaging-based techniques (PIV, LPT, infrared thermography, pressure- or temperature-sensitive-paints (PSP/TSP), event-based imaging) and associated initial data processing. Introduction in low-latency real-time sensing
• Design of experiments and data generation
• Reduced-order modeling and coherent structure identification (PCA/POD, DMD, SPOD, Autoencoders)
• Fundamentals of machine learning: data representation, feature design, training and validation Neural networks and surrogate modeling for discrete and continuous flow predictions (focusing on fluid-specific features; PINNs-SINDy)
• Uncertainty quantification using probabilistic and Bayesian approaches
• Sparse sensing, compressive sensing, and optimal sensor placement
• Fusion of heterogeneous and multi-fidelity data
• Data assimilation techniques (filtering, nudging, Kalman methods, autoencoders and other nonlinear approaches) to combine experiments and simulations
• Hands-on tutorials

Capstone Project:

Students will design, execute, and analyze an independent measurement experiment using the techniques learned in the course