Použití neuronových sítí pro rychlou predikci proudového pole v úlohách interakce tekutiny s tělesem

Název projektu anglicky
Fast flow-field prediction using deep neural networks for solving fluid-structure interaction problems
Anotace anglicky
Fluid-structure interaction (FSI) problems that occur in various industries including aeronautics, turbomachinery and nuclear energy tend to be very complex and their simulation extremely demanding. The innovative idea in the proposed project is to overcome high computational costs by applying deep learning to solve FSI problems. To be more specific, the idea is to substitute a traditional CFD solver with a deep neural network. Deep neural networks are just starting to be popular for fast flow-field predictions and have been successfully used for a narrow range of problems, however, never have they been applied to predict fluid flows with a moving boundary, not to mention complex FSI problems. The target of the proposed project is to develop and implement a deep-neural-network architecture capable of predicting flow fields with a moving boundary and couple it with a structure solver to obtain a powerful FSI framework. The developed neural-network architecture and FSI solver will be benchmarked on problems of external aerodynamics in subsonic and transonic regimes.

Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
20302 - Applied mechanics
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory <br>(dle <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">převodníku</a>)
GB - Zemědělské stroje a stavby<br>JQ - Strojní zařízení a nástroje

Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP24-GA0-GA-R
Datum dodání záznamu
21. 5. 2024

Podobné projekty(10)