Stochastische Modellierung und Simulation atmosphärischer Grenzschichtprozesse Dr. rer. nat. Marten Klein

Die Abteilung Stochastische Modellierung und Simulation atmosphärischer Grenzschichtprozesse befasst sich mit Effekten kleinskaliger Turbulenz in der planetaren Grenzschicht und ihrer Kopplung an die großskalige Dynamik.

Im Fokus der Untersuchungen stehen der Stoff-, Impuls- und Wärmetransport in Schersrömungen, rotierenden und geschichteten Grenzschichten, sowie freier und getriebener Konvektion. Ziel ist es, grundlegende statistische Eigenschaften dieser Strömungen numerisch zu erfassen und physikalisch basiert zu modellieren, um Parameterabhängigkeiten und Skalierungsgesetze besser zu verstehen.

Numerische Herausforderungen im Bezug auf atmosphärische Strömungen ergeben sich aus

  • dem Auftreten von Turbulenz,
  • der Mehrskaligkeit der Strömung,
  • Skalenwechselwirkungen und Intermittenz, sowie
  • dem Einfluss multiphysikalischer Phänomene.

Atmosphärische Strömungen sind in der Regel so komplex, dass sie für grundlegende Fragen in Teilprobleme zerlegt werden (Modellreduktion). Selbst für die reduzierten Modelle ist es jedoch oft nicht möglich, alle relevanten Skalen direkt aufzulösen, sodass Methoden der Strömungsmodellierung erforderlich werden.

Solche Modellierungsansätze sollten numerisch effizient sein, aber auch grundlegende physikalische Prinzipien erfüllen, um belastbare Vorhersagen liefern zu können. Diese beiden Forderungen werden durch stochastische Turbulenzmodelle aufgegriffen. Einige dieser Modelle werden in der Abteilung weiterentwickelte und auf idealisierte Strömungen angewendet, die auf ausgewählte atmosphärische Grenzschichtprozesse fokussieren.

Darüber hinaus kommen direkte numerische Simulationen (DNS) und Large-Eddy-Simulationen (LES) zum Einsatz, um z.B. Referenzlösungen bereitzustellen.

Mitarbeiter

Ehemalige Mitarbeiter

M. Sc. Sreenivasa Chary Thatikonda

B. Sc. Thierry Tchouto

B. Sc. Sascha Zell

B. Sc. Roland E. Maier

M. Sc. Christian Zenker

Relevante Publikationen

2022

  • M. Klein, H. Schmidt, and D. O. Lignell. Stochastic modeling of surface scalar-flux fluctuations in turbulent channel flow using one-dimensional turbulence. Int. J. Heat Fluid Flow, 93:108889, 2022. DOI: 10.1016/j.ijheatfluidflow.2021.108889. Preprint: arXiv:2111.15359

2021

2020

  • M. V. Kurgansky, T. Seelig, M. Klein, A. Will, and U. Harlander. Mean flow generation due to longitudinal librations of sidewalls of a rotating annulus. Geophys. Astro. Fluid Dyn.114(6), 742–762, 2020. DOI: 10.1080/03091929.2019.1692829
  • M. Klein, and H. Schmidt. Towards a stochastic model for electrohydrodynamic turbulence with application to electrolytes. Proc. Appl. Math. Mech., 20:e202000128, 2020. DOI: 10.1002/pamm.202000128
  • M. Klein, and H. Schmidt. A stochastic modeling strategy for intermittently unstable Ekman boundary layers. Proc. Appl. Math. Mech., 20:e202000127, 2020. DOI: 10.1002/pamm.202000127

2019

  • M. Vincze, N. Fenyvesi, M. Klein, J. Sommeria, S. Viboud, and Y. Ashkenazy. Evidence for wind-induced Ekman layer resonance based on rotating tank experiments. EPL, 125:44001, 2019.
  • Rakhi, M. Klein, J. A. Medina M., and H. Schmidt. One-dimensional turbulence modeling of incompressible temporally developing turbulent boundary layers with comparison to DNS. J. Turbul., 20(8):506–543, 2019.
  • M. Klein, C. Zenker, and H. Schmidt. Small-scale resolving simulations of the turbulent mixing in confined planar jets using one-dimensional turbulence. Chem. Eng. Sci., 204:186–202, 2019.
  • M. Klein, and H. Schmidt. Investigating Rayleigh–Bénard convection at low Prandtl numbers using one-dimensional turbulence modeling. Proc. 11th Int. Symp. Turb. Shear Flow Phen. (TSFP11), 1:1–6, 2019.

2018

  • A. Ghasemi, M. Klein, A. Will, and U. Harlander. Mean flow generation by an intermittently unstable boundary layer over a sloping wall. J. Fluid Mech., 853:111–149, 2018.
  • D. O. Lignell, V. Lansinger, J. Medina, M. Klein, A. R. Kerstein, H. Schmidt, M. Fistler, and M. Oevermann. One-dimensional turbulence modeling for cylindrical and spherical flows: model formulation and application. Theo. Comp. Fluid Dyn., 32(4):495–520, 2018.
  • M. Klein, H. Schmidt, and D. O. Lignell. Map-based modeling of high-Rayleigh-number turbulent convection in planar and spherical confinements. In: Proc. Conf. Model. Fluid Flow (CMFF’18), J. Vad (Ed.), 2018. ISBN: 978-963313297-5
  • M. Klein, and H. Schmidt. Investigating the Reynolds number dependency of the scalar transfer to a wall using a stochastic turbulence model. Proc. Appl. Math. Mech., 18:e201800238, 2018.

2017

  • M. Klein, and H. Schmidt. Stochastic modeling of passive scalar transport in turbulent channel flows at high Schmidt numbers. Proc. 10th Int. Symp. Turb. Shear Flow Phen. (TSFP10), 1:1B-2, 2017.
  • M. Klein, and H. Schmidt. Stochastic modeling of passive scalar transport at very high Schmidt numbers. Proc. Appl. Math. Mech., 17(1):639–640, 2017.

2016

  • M. Klein (2016). Inertial wave attractors, resonances, and wave excitation by libration: direct numerical simulations and theory. Ph.D. thesis. Faculty 2, Brandenburg University of Technology Cottbus-Senftenberg, Cottbus, Germany. Published online. URN: http://nbn-resolving.de/urn:nbn:de:kobv:co1-opus4-41712
  • A. Ghasemi, M. Klein, U. Harlander, E. Schaller, and A. Will. Mean flow generation by Görtler vortices in a rotating annulus with librating side-walls. Phys. Fluids, 28(5):055603, 2016.

2014

  • M. Klein, T. Seelig, M. V. Kurgansky, A. Ghasemi, I. D. Borcia, A. Will, E. Schaller, C. Egbers, and U. Harlander. Inertial wave excitation and focusing in a liquid bounded bounded by a frustum and a cylinder. J. Fluid Mech., 751:255–297, 2014.
     

Unsere Webseite verwendet Cookies. Diese haben zwei Funktionen: Zum einen sind sie erforderlich für die grundlegende Funktionalität unserer Website. Zum anderen können wir mit Hilfe der Cookies unsere Inhalte für Sie immer weiter verbessern. Hierzu werden pseudonymisierte Daten von Website-Besuchern gesammelt und ausgewertet. Das Einverständnis in die Verwendung der technisch nicht notwendigen Cookies können Sie jeder Zeit wiederrufen. Weitere Informationen erhalten Sie auf unseren Seiten zum Datenschutz.

Erforderlich

Diese Cookies werden für eine reibungslose Funktion unserer Website benötigt.

Statistik

Für den Zweck der Statistik betreiben wir die Plattform Matomo, auf der mittels pseudonymisierter Daten von Websitenutzern der Nutzerfluss analysiert und beurteilt werden kann. Dies gibt uns die Möglichkeit Websiteinhalte zu optimieren.

Name Zweck Ablauf Typ Anbieter
_pk_id Wird verwendet, um ein paar Details über den Benutzer wie die eindeutige Besucher-ID zu speichern. 13 Monate HTML Matomo
_pk_ref Wird benutzt, um die Informationen der Herkunftswebsite des Benutzers zu speichern. 6 Monate HTML Matomo
_pk_ses Kurzzeitiges Cookie, um vorübergehende Daten des Besuchs zu speichern. 30 Minuten HTML Matomo