Studentische Hilfskraft (32 - 80 Stunden pro Monat): Rekonstruktion instationärer Strömungen mitttels Physics-Informed Neural Networks

Physics-Informed Neural Networks (PINNs) verbinden Messdaten mit physikalischen Gesetzmäßigkeiten, um physikalische Systeme auch aus wenigen und verrauschten Beobachtungen zu rekonstruieren. Trotz ihrer hohen Dateneffizienz neigen PINNs ohne Trainingsdaten jedoch zu trivialen Lösungen der zugrunde liegenden partiellen Differentialgleichungen. Dieses Projekt untersucht daher Methoden, um die zeitliche Stabilität und Genauigkeit von PINNs für instationäre Strömungen zu verbessern.