Ziele der Vorlesung
Nach Abschluss der Lehrveranstaltung sind die Studierenden in der Lage:
- Physikalische Prinzipien, Vorteile und Grenzen modernster sowie aufkommender Messtechniken (z. B. PIV, LPT, event-basierte Bildgebung) zu verstehen.
- Physikalische Grundgleichungen in Machine-Learning-Frameworks zu integrieren, um sicherzustellen, dass datengestützte Vorhersagen physikalisch konsistent bleiben.
- Methoden der Dimensionsreduktion und der modalen Zerlegung zu implementieren, um dominante kohärente Strukturen in komplexen Strömungen zu extrahieren und zu analysieren.
- „Smart Sensing“-Strategien zu entwerfen und zu optimieren, indem sie Compressive Sensing und optimale Sensorplatzierung nutzen, um vollständige Strömungsfelder aus spärlich verteilten oder begrenzten Datenpunkten zu rekonstruieren.
- die Lücke zwischen Experiment und Simulation zu schließen, indem sie moderne Techniken der Datenassimilation und Datenfusion anwenden.
- Einblicke in robuste Surrogatmodelle für die Echtzeit-Strömungsvorhersage zu gewinnen, mit einem Fokus auf strömungsspezifische Merkmale und automatisiertes Feature Extrahierung.
- die Modellzuverlässigkeit durch fortgeschrittene Unsicherheitsquantifizierung zu bewerten, wobei probabilistische und Bayessche Ansätze genutzt werden, um Fehler sowohl in der Sensorik als auch in den ML-Modellen abzuschätzen.
- ein kompaktes Forschungsprojekt durchzuführen und dabei die erlernten Fähigkeiten anwenden, eigenständig ein Experiment zu entwerfen, Rohdaten zu erfassen und eine komplexe ML-basierte Pipeline anzuwenden, um fundierte wissenschaftliche Erkenntnisse zu gewinnen.
Inhalte der Vorlesung
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.
