Data Driven Modeling Dr.-Ing. Jan Trieschmann

Die Abteilung Data Driven Modeling beschäftigt sich mit Verfahren des maschinellen Lernens zur Kopplung von numerischen Modellen technischer und physikalischer Systeme.

Numerische Modelle werden zur Untersuchung einer Vielzahl ingenieurtechnischer sowie physikalischer Fragestellungen eingesetzt. Die Beschreibung

  • multiphysikalischer Phänomene beziehungsweise
  • von Multiskalenproblemen

bedingt in der Regel jedoch eine Zerlegung des Gesamtmodells in einzelne Teilmodelle. Diese können nicht isoliert betrachtet werden, sondern erfordern eine konsistente Kopplung.

Zielsetzung des Teams ist eine Realisierung dieser Kopplung mithilfe datenbasierter Methoden. Die Forschung beschäftigt sich mit den folgenden Fragestellungen:

  • Datenbeschaffung mittels geeigneter Teilmodelle
  • Maschinelles Lernen zur Abbildung einer Modellschnittstelle
  • Erhalt der zugrundeliegenden Physik und Systematik

Mit dem Konzept datenbasierter Modellschnittstellen wird schließlich eine konsistente Beschreibung des physikalisch technischen Gesamtsystems angestrebt.

Team

Borislav Borislavov, B.Sc.
Tobias Gergs, M.Sc.

Ehemalige Mitglieder

Florian Krüger, M.Sc.
Frederik Schmidt, Dr.-Ing.

Ausgewählte Publikationen

  • F. Krüger, T. Gergs, J. Trieschmann. Machine learning plasma-surface interface for coupling sputtering and gas-phase transport simulations. Plasma Sources Science and Technology 28, 035002 (2019). DOI Link
  • F. Schmidt, T. Mussenbrock, J. Trieschmann. Consistent simulation of capacitive radio-frequency discharges and external matching networks. Plasma Sources Science and Technology 27, 105017 (2018). DOI Link
  • J. Trieschmann, T. Mussenbrock. Kinetic bandgap analysis of plasma photonic crystals. Journal of Applied Physics 124, 173302 (2018). DOI Link
  • J. Trieschmann, T. Mussenbrock. Transport of sputtered particles in capacitive sputter sources. Journal of Applied Physics 118, 033302 (2015). DOI Link