Physics-Preserving AI-Accelerated Simulations of Plasma Turbulence in Nuclear Fusion Devices
-
- Deutsch ausgewählt
47,99 €
inkl. gesetzl. MwSt.,
Lieferung nach Hause
Beschreibung
Produktdetails
Einband
Gebundene Ausgabe
Erscheinungsdatum
12.09.2024
Verlag
BoD – Books on DemandSeitenzahl
132
Maße (L/B/H)
30,3/21,5/1,4 cm
Gewicht
674 g
Auflage
1. Auflage
Sprache
Deutsch
ISBN
978-3-7597-9626-4
Diese Dissertation stellt eine neuartige, potenzialbasierte Methode des maschinellen Lernens (ML) vor, die in der Lage ist, Driftwellen-Turbulenzen in Fusionsplasmen effizient und präzise zu simulieren, ohne den kritischen Inertialbereich explizit auflösen zu müssen. Diese Herausforderung turbulente Systeme effizient zu lösen limitiert den Fortschritt in einem breiten Spektrum an Forschungsgebieten. Numerische Methoden wie Large Eddy Simulations (LES) haben eine gewisse Entlastung gebracht, durch die Reduzierung der Auflösung und die Verwendung von Sub-Grid-Scale (SGS)-Modellen für nicht aufgelöste Skalen. In den letzten Jahren wurden ML Techniken in SGS-Modelle für Systeme eingeführt die durch die Navier-Stokes-Gleichungen (NS) beschrieben werden. Diese hybriden Methoden haben jedoch Schwierigkeiten, Stabilität und Genauigkeit aufrechtzuerhalten, was ihre Anwendung auf den diffusionsdominierten Bereich beschränkt.
Die Arbeit demonstriert die Anwendbarkeit der hybriden ML-numerischen Methode für Driftwellen Turbulenzen, indem sie ihre physikalische Konsistenz in einem neuen statistischen Evaluationsparadigma nachweist. Diese werden als Teil eines neuen maschinellen Lern-Benchmarks für Turbulenzen in Fusionsplasmen eingeführt, der es ermöglicht, die allgemeine Methode für andere Systeme zu verbessern und zu erweitern. Da bei der Modellentwicklung wenig modellspezifisches Wissen verwendet wurde, könnten die Erkenntnisse erhebliche Auswirkungen auf die Simulation anderer turbulenter Systeme haben, die selbst auf kommenden Exascale-Plattformen nicht im Brute-Force-Verfahren gelöst werden können.
Die Arbeit demonstriert die Anwendbarkeit der hybriden ML-numerischen Methode für Driftwellen Turbulenzen, indem sie ihre physikalische Konsistenz in einem neuen statistischen Evaluationsparadigma nachweist. Diese werden als Teil eines neuen maschinellen Lern-Benchmarks für Turbulenzen in Fusionsplasmen eingeführt, der es ermöglicht, die allgemeine Methode für andere Systeme zu verbessern und zu erweitern. Da bei der Modellentwicklung wenig modellspezifisches Wissen verwendet wurde, könnten die Erkenntnisse erhebliche Auswirkungen auf die Simulation anderer turbulenter Systeme haben, die selbst auf kommenden Exascale-Plattformen nicht im Brute-Force-Verfahren gelöst werden können.
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für dein Feedback
Wir nutzen dein Feedback, um unsere Produktseiten zu verbessern. Bitte habe Verständnis, dass wir dir keine Rückmeldung geben können. Falls du Kontakt mit uns aufnehmen möchtest, kannst du dich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice