Såddprojekt: Maskininlärningsstabilisering för statiska konvektion-diffusionsekvationer med fokus på värmetransportproblem

Såddprojektets syfte är primärt att försöka förbättra numerisk stabilitet av konvektionsdominerade diffusions och fluidmekaniska problem med hjälp av maskininlärning. Simuleringar där maskininlärning används tillsammans med finita elementmetoden kommer att användas för att identifiera optimala viktsfunktioner för stringenta numeriska lösningar av styrande differentialekvationerna.

Fakta om projektet

Såddprojektets namn
Maskininlärningsstabilisering för statiska konvektion-diffusionsekvationer med speciellt fokus på värmetransportproblem
Såddprojektledare
Winston Mmari
Övriga såddprojektmedlemmar
Björn Johannesson, Welf Löwe, Björn Lindenberg och Jonas Nordqvist, Linnéuniversitetet
Deltagande organisationer
Linnéuniversitetet
Finansiär
Linnaeus University Center for Data Intensive Sciences and Applications (DISA)
Tidsplan
20 nov 2023–19 mars 2024
Forskningsämne
Byggteknik, datavetenskap, matematik (institutionen för byggteknik, institutionen för datavetenskap och mediateknik, institutionen för matematik, fakulteten för teknik)
Forskargrupper
Forestry, Wood and Building Technologies och Data Intensive Software Technology and Applications (DISTA)

Mer om projektet

Lösningar till konvektions dominerade masstransportproblem är av stort intresse i många olika forsknings- och ingenjörssammanhang. Typiska exempel på konvektionsdominerade problem är kopplad värme och masstransport och spridning av föroreningar i luft, jord och vatten.

Numeriska lösningar av dessa problem är beräkningstunga då geometrin och randvillkor leder till kopplade ekvationssystem som blir extremt stora och omfattande. I många fall blir finita elementekvationerna så omfattande och tunga att beräkningstiden för att lösa problemet numeriskt blir orimligt lång.

Tanken är att utföra dessa ’exakta’ beräkningar med finita elementmetoden och använda resultaten från dessa som benchmarkunderlag för att, bland annat, optimera fram viktsfunktioner baserade på maskininlärning. En framgångsrik maskininlärning av finita element modellen och dess resultat leder till att beräkningstider kan kortas ned för de aktuella simuleringsproblemen utan att nämnvärt minska resultatens noggrannhet.

Projektet är en del av forskningen i forskargrupperna Forestry, Wood and Building Technologies och Data Intensive Software Technology and Applications (DISTA) samt Linnaeus University Center for Data Intensive Sciences and Applications (DISA)