Verbesserung der Simulation vn großen, mit dichten Partikeln beladenen Strömungen durch maschinelles Lernen: ein genetischer Programmieransatz

Mit Partikeln beladene Strömungen treten in vielen natürlichen und industriellen Prozessen auf, wie zum Beispiel dem Fluss roter und weißer Blutkörperchen im Plasma, oder in der Fluidisierung von Biomasse in Wirbelschichten. In den letzten 40 Jahren haben Wissenschaftler Euler-Lagrange (EL) Simulationen verwendet, um das Verhalten solcher Strömungen vorherzusagen.

Die EL-Simulationen stützen sich jedoch auf Modelle, um die Wechselwirkung zwischen der Fluidströmung und den individuell verfolgten Partikeln zu beschreiben. Diese Modelle erfordern die sogenannte ``\textit{ungestörte}'' Fluidgeschwindigkeit am Ort des Partikels, was der Geschwindigkeit des Fluids entspricht, wenn der Partikel nicht dort wäre. Aktuelle Modelle hierfür sind sehr rudimentär und die genaue Berechnung der ungestörten Flüssigkeitsgeschwindigkeit ist extrem teuer, da viele zusätzliche, hochaufgelöste Simulationen desselben Falls erforderlich sind, bei denen jeweils ein Partikel weggelassen wird.

Ziel des Projekts ist es, ein neues Modell für die ungestörte Strömungsgeschwindigkeit bei jedem Partikel zu entwickeln. Dieses Modell basiert auf den Eigenschaften der Strömung um den Partikel und den Eigenschaften der umgebenden Partikel. Zur Entwicklung des Modells wird ein Verfahren aus dem Bereich des überwachten maschinellen Lernens verwendet: Genetische Programmierung (GP). GP eignet sich insbeondere für dieses Projekt, weil es sich nicht um ein ``Black-Box'' Modell handelt, sondern eine überprüfbare Gleichung für die ungestörte Strömungsgeschwindigkeit darstellen kann. Diese Gleichung wird durch analytische Lösungen und hochaufgelöste Simulationen validiert und ermöglicht genaue Simulationen in großem Maßstab, während nur ein Bruchteil der Kosten für vollständig aufgelöste Simulationen erforderlich ist.