<div class="csl-bib-body">
<div class="csl-entry">Riegler, M. (2023). <i>Data-driven reduced models for numerical simulations</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2023.112843</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2023.112843
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/183964
-
dc.description.abstract
Here we investigate the application of an autodecoder network for data-driven reduced modeling of fluid flows. An autodecoder is a feedforward neural network which can be used as generative model. For generating fluid flow solutions, it maps coordinates of a reference domain and a timestep to corresponding fluid velocities. Additionally, the network takes a latent code as input which corresponds to a certain type of fluid flow. Thus, only one network is needed to yield solutions of a family of similar flows. Furthermore, the network can be queried to yield the flow velocities for arbitrary coordinates and timesteps.We apply this network as a reduced model for three different types of fluid flows. We investigate the effects of the network width, the latent code size and two data normalization methods on the accuracy of the reduced model. We observe that for all simulated cases the network width has the highest impact on the accuracy of the network while the other two factors show case-dependent results.Finally, we investigate the suitability of the autodecoder as a reduced model by exploring the learned latent spaces. For similar flows, their corresponding latent codes are well-structured in the latent space, indicating that interpolation in the latent space can be applied. This can be leveraged to yield solutions of unseen parameter configurations.
en
dc.description.abstract
In dieser Arbeit untersuchen wir Autodecoder-Netzwerke und deren Anwendung in Daten-getriebenen reduzierten Modellen von Strömungssimulationen. Als Autodecoder wird ein Feedforward Neural Network bezeichnet, das als generatives Modell verwendet werden kann. Um Lösungen von Fluidströmungen zu erzeugen, bildet das Netzwerk Koordinaten einer Referenzdomäne und einen Zeitschritt auf entsprechende Strömungsgeschwindigkeiten ab. Als zusätzlichen Netzwerk-Input wird eine latente Kodierung verwendet, die einer bestimmter Fluidströmung entspricht. Außerdem kann das Netzwerk verwendet werden, um die Fluidgeschwindigkeiten für beliebige Koordinaten und Zeitschritte zu erzeugen. Wir verwenden dieses Netzwerk als reduziertes Modell für drei verschiedene Arten von Fluidströmungen. Wir untersuchen die Auswirkungen der Netzwerkbreite, der Größe der Latent-Kodierung and zwei Datennormalisierungsmethoden auf die Genuigkeit des reduzierten Modells. Wir stellen fest, dass für alle simulierten Strömungstypen die Netzwerkbreite die Genauigkeit am stärksten beeinflusst. Im Gegensatz dazu zeigen die anderen zwei Faktoren fallweise unterschiedliche Resultate. Schließlich untersuchen wir die Eignung von Autodecodern als reduzierte Modelle, indem wir den gelernten Latentraum betrachten. Die Latentkodierungen von ähnlichen Fluidströmungen sind im Latentraum klar gegliedert, was Interpolation im Latentraum ermöglicht. Dadurch kann der Autodecoder verwendet werden, um Lösungen von ungesehenen Parameterkonfigurationen zu erzeugen.
de
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
reduced order model
en
dc.subject
computational fluid dynamics
en
dc.subject
autodecoder
en
dc.subject
neural networks
en
dc.title
Data-driven reduced models for numerical simulations
en
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2023.112843
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Mark Riegler
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Lee, Jaewook
-
tuw.publication.orgunit
E317 - Institut für Leichtbau und Struktur-Biomechanik
-
dc.type.qualificationlevel
Diploma
-
dc.identifier.libraryid
AC16871578
-
dc.description.numberOfPages
30
-
dc.thesistype
Diplomarbeit
de
dc.thesistype
Diploma Thesis
en
dc.rights.identifier
In Copyright
en
dc.rights.identifier
Urheberrechtsschutz
de
tuw.advisor.staffStatus
staff
-
tuw.assistant.staffStatus
staff
-
tuw.advisor.orcid
0000-0002-4474-1666
-
item.fulltext
with Fulltext
-
item.openairecristype
http://purl.org/coar/resource_type/c_bdcc
-
item.languageiso639-1
en
-
item.cerifentitytype
Publications
-
item.openaccessfulltext
Open Access
-
item.mimetype
application/pdf
-
item.openairetype
master thesis
-
item.grantfulltext
open
-
crisitem.author.dept
E317-01 - Forschungsbereich Leichtbau
-
crisitem.author.parentorg
E317 - Institut für Leichtbau und Struktur-Biomechanik