DeepTurb – Deep Learning in und von Turbulenz

Die Anwendung von Maschinellem Lernen auf experimentelle Messungen und numerische Simulationsrechnungen von turbulenten Strömungen eröffnet einzigartige Möglichkeiten, komplexe Daten nach physikalischen Kriterien neu zu klassifizieren. Damit kann ein bisher fehlendes Verständnis der grundlegenden Transportprozesse für ihre effektivere Modellierung gewonnen werden. Mittels Künstlicher Intelligenz soll die Dynamik großskaliger Muster der Turbulenz aus umfangreichen Mess- und Simulationsdaten horizontal in ausgedehnten turbulenten Konvektionsströmungen extrahiert und in stark vereinfachten nichtlinearen dynamischen Modellen auf Basis von neuronalen Netzen vorhergesagt werden. Diese Anwendungen erfordern auch eine Erweiterung der mathematischen Grundlagen des Maschinellen Lernens, die eine Vorhersage von Turbulenz erst ermöglichen.