A full order, reduced order and machine learning model pipeline for efficient prediction of reactive flows
Gavrilenko Pavel, Haasdonk Bernard, Iliev Oleg, Ohlberger Mario, Schindler Felix, Toktaliev Pavel, Wenzel Tizian, Youssef Maha
Forschungsartikel (Buchbeitrag) | Peer reviewedZusammenfassung
We present an integrated approach for the use of simulated data from full order discretization as well as projection-based Reduced Basis reduced order models for the training of machine learning approaches, in particular Kernel Methods, in order to achieve fast, reliable predictive models for the chemical conversion rate in reactive flows with varying transport regimes.
Details zur Publikation
Herausgeber*innen: Lirkov Ivan, Margenov Svetozar
Buchtitel: Large-Scale Scientific Computing
Seitenbereich: 378-386
Verlag: Springer VDI Verlag
Erscheinungsort: Cham
Titel der Reihe: Lecture Notes in Computer Science (LNCS)
Nr. in Reihe: 13127
Status: Veröffentlicht
Veröffentlichungsjahr: 2022
Sprache, in der die Publikation verfasst ist: Englisch
ISBN: 978-3-030-97548-7
Link zum Volltext: https://doi.org/10.1007/978-3-030-97549-4_43
Stichwörter: reactive flow; model order reduction; machine learning
Autor*innen der Universität Münster
| Ohlberger, Mario | |
| Schindler, Felix Tobias |
Projekte, aus denen die Publikation entstanden ist
Laufzeit: 01.04.2020 - 31.12.2023 Gefördert durch: Bundesministerium für Forschung, Technologie und Raumfahrt Art des Projekts: Beteiligung an einem bundesgeförderten Verbund | |
Laufzeit: 01.01.2019 - 31.12.2025 | 1. Förderperiode Gefördert durch: DFG - Exzellenzcluster Art des Projekts: DFG-Verbund koordiniert an der Universität Münster | |
Laufzeit: 01.01.2019 - 31.12.2025 | 1. Förderperiode Gefördert durch: DFG - Exzellenzcluster Art des Projekts: Teilprojekt in DFG-Verbund koordiniert an der Universität Münster |