CNN-gestützte EPM: Präzisere Unsicherheitsabschätzungen in Turbulenzmodellen

Wissenschaftler haben einen innovativen Ansatz entwickelt, der die Genauigkeit von Unsicherheitsabschätzungen in Turbulenzmodellen deutlich verbessert. Durch die Kombination eines Convolutional Neural Networks (CNN) mit dem etablierten Eigenspace Perturbation Method (EPM) wird die Größe der physikbasierten Störungen dynamisch angepasst, sodass die Modellunsicherheit besser kalibriert wird.

Traditionell beruhen Turbulenzmodelle auf empirischen Vereinfachungen, die epistemische Unsicherheit erzeugen. Das EPM quantifiziert diese Unsicherheit, kann jedoch dazu neigen, die Grenzen zu überschätzen. Der neue hybride ML‑EPM-Ansatz nutzt das CNN, um die Perturbationsgrößen zu modulieren, ohne die physikalische Konsistenz zu verletzen. Dadurch werden die Unsicherheitsbereiche präziser und realistischer.

In einer Reihe von Standardtests zeigte das kombinierte Verfahren deutlich engere, besser kalibrierte Unsicherheitsabschätzungen als das reine EPM. Diese Fortschritte könnten die Zuverlässigkeit von Simulationen in Bereichen wie Luftfahrt, Automobilbau und Klimaforschung erheblich steigern. Der Beitrag ist auf arXiv unter der Referenz 2511.05633v1 verfügbar.