h1

000992307 001__ 992307
000992307 005__ 20241211084304.0
000992307 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-08139
000992307 037__ $$aRWTH-2024-08139
000992307 041__ $$aGerman
000992307 082__ $$a004
000992307 1001_ $$0P:(DE-82)822387$$aVanvinckenroye, Joris Vincent$$b0$$urwth
000992307 245__ $$aA Posteriori Untersuchung von CNNs zur Modellierung von Wasserstoffverbrennung$$cJoris Vincent Vanvinckenroye$$honline
000992307 246_3 $$aA posteriori investigation of CNNs for hydrogen combustion modeling$$yEnglish
000992307 260__ $$aAachen$$bRWTH Aachen University$$c2024
000992307 300__ $$a1 Online-Ressource : Illustrationen
000992307 3367_ $$02$$2EndNote$$aThesis
000992307 3367_ $$0PUB:(DE-HGF)19$$2PUB:(DE-HGF)$$aMaster Thesis$$bmaster$$mmaster
000992307 3367_ $$2BibTeX$$aMASTERSTHESIS
000992307 3367_ $$2DRIVER$$amasterThesis
000992307 3367_ $$2DataCite$$aOutput Types/Supervised Student Publication
000992307 3367_ $$2ORCID$$aSUPERVISED_STUDENT_PUBLICATION
000992307 502__ $$aMasterarbeit, RWTH Aachen University, 2024$$bMasterarbeit$$cRWTH Aachen University$$d2024$$gFak01$$o2024-09-02
000992307 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University
000992307 5203_ $$aAufgrund der sehr geringen Schadstoffemissionen von Wasserstoffverbrennungen spielt der Kraftstoff eine wichtige Rolle bei der Bekämpfung des Klimawandels und der Begrenzung der globalen Erwärmung auf 1,5 °C. Akkurate Modellierungsmethoden für die Wasserstoffverbrennung sind entscheidend, um den enormen Rechenaufwand direkter numerischer Simulationen zu reduzieren und die Technologie zur Marktreife zu bringen. In dieser Arbeit wird die Anwendung von Convolutional Neural Networks, insbesondere U-Net und UNet++, zur Modellierung von mageren Wasserstoffflammen in laminaren Strömungen untersucht. Wir koppeln diese Netze mit dem physikalischen Simulationsprogramm CIAO unter Verwendung zweier Ansätze: MLLib und AIxeleratorService, und evaluieren und vergleichen ihre Leistung sowohl in Bezug auf die Genauigkeit als auch auf die Skalierbarkeit. Um die gekoppelte Simulation zu beschleunigen, wird eine verteilte Netzwerkinferenz mit dem AIxeleratorService implementiert. Wir beobachten jedoch ein unphysikalisches Verhalten bei den gekoppelten Simulationen. Um dem entgegenzuwirken, optimieren wir die Modelle mit zusätzlichen Trainingsdaten, Hyperparametertuning und Post-TrainingPruning. Trotz der Verringerung des a-priori Vorhersagefehlers führen diese Methoden nicht zu einer konsistenten Verbesserung der a-posteriori Simulationsergebnisse. Unsere Ergebnisse unterstreichen die Notwendigkeit einer a-posteriori Evaluierung für neuronale Netze in Wasserstoffverbrennungssimulationen.$$lger
000992307 520__ $$aDue to the very low pollutant emissions of hydrogen combustion, the fuel plays an important role in combating climate change and limiting global warming to 1.5C. Accurate modeling methods for hydrogen combustion are crucial to reduce the huge computational demand of direct numerical simulations and bring the technology to market maturity. In this thesis, the application of Convolutional Neural Networks, specifically U-Net and UNet++, to model lean hydrogen flames in laminar flows is investigated. We couple these networks with the physical solver CIAO using two approaches: MLLib and AIxeleratorService, and evaluate and compare their performance both in terms of accuracy and scalability. Distributed network inference using the AIxeleratorService is implemented to speed up the coupled simulation. However, we observe unphysical behavior in the coupled simulations. To combat this, we optimize the models with additional training data, hyperparameter tuning, and post-training pruning. Despite reducing the a-priori prediction errors, these methods did not consistently improve a-posteriori simulation results. Our findings emphasize the need for a-posteriori evaluation for neural networks in hydrogen combustion simulations.$$leng
000992307 591__ $$aGermany
000992307 7001_ $$0P:(DE-82)IDM01074$$aMüller, Matthias S.$$b1$$eThesis advisor$$urwth
000992307 7001_ $$0P:(DE-82)IDM00844$$aPitsch, Heinz$$b2$$eThesis advisor$$urwth
000992307 7001_ $$0P:(DE-82)IDM05052$$aOrland, Fabian$$b3$$eConsultant$$urwth
000992307 7001_ $$0P:(DE-82)IDM04713$$aNista, Ludovico$$b4$$eConsultant$$urwth
000992307 8564_ $$uhttps://publications.rwth-aachen.de/record/992307/files/992307.pdf$$yOpenAccess
000992307 8564_ $$uhttps://publications.rwth-aachen.de/record/992307/files/992307_AV.pdf$$yRestricted
000992307 8564_ $$uhttps://publications.rwth-aachen.de/record/992307/files/992307_EINV.pdf$$yRestricted
000992307 909CO $$ooai:publications.rwth-aachen.de:992307$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000992307 9141_ $$y2024
000992307 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000992307 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)822387$$aRWTH Aachen$$b0$$kRWTH
000992307 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01074$$aRWTH Aachen$$b1$$kRWTH
000992307 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00844$$aRWTH Aachen$$b2$$kRWTH
000992307 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM05052$$aRWTH Aachen$$b3$$kRWTH
000992307 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04713$$aRWTH Aachen$$b4$$kRWTH
000992307 9201_ $$0I:(DE-82)123010_20140620$$k123010$$lLehrstuhl für Hochleistungsrechnen (Informatik 12)$$x0
000992307 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x1
000992307 9201_ $$0I:(DE-82)022000_20140101$$k022000$$lIT Center$$x2
000992307 961__ $$c2024-09-06T11:21:22.495741$$x2024-09-02T14:55:28.181636$$z2024-09-06T11:21:22.495741
000992307 980__ $$aI:(DE-82)022000_20140101
000992307 980__ $$aI:(DE-82)120000_20140620
000992307 980__ $$aI:(DE-82)123010_20140620
000992307 980__ $$aUNRESTRICTED
000992307 980__ $$aVDB
000992307 980__ $$amaster
000992307 9801_ $$aFullTexts