Experimental Mechanics – Digital Twin
Uppkopplad industri - Utveckling av verktyg för realtidsinteraktion Digitala tvillingar med fysiska system och integrera modeller baserade på empirisk data.
En digital tvilling är en synkroniserad dynamisk modell av ett eller flera fysiska system som kan överbrygga klyftan mellan den virtuella och den fysiska världen i realtid. Dessa komplexa ensembler utvecklas med målet att förstå, modellera, simulera, förutsäga, optimera och styra de funktioner som dess fysiska tvilling skulle kunna utföra under driftsförhållanden.
I detta projekt kommer högt upplösta mätningar av hastighet och tryckvariabler att integreras med Navier-Stokes ekvationer för bedömning av specifika tekniska flödesfältsapplikationer. Physics-Informed Neural Networks (PINNs), som bygger på principerna för djupinlärning, kommer att användas för att utveckla nya verktyg för realtids hantering av strömmad data från en sammanhängande bilduppsättning med målet att uppdatera en digital tvilling. En PINN är en nätverksbaserad dataassimileringsmetod som innefattar förlustfunktioner sammansatta av restdata samt partiella differentialekvationer som kan innehålla kunskap om fysik och placera dem inom kategorin universella funktionsapproximatorer.
Projektet genomförs inom Fluid Mechanics and Experimental Mechanics division vid LTU och är också en del av Creaternity Graduate School.
Nyckelord: Experimentell mekanik, Digitala tvillingar, Physics Informed Neural Networks, CFD-simuleringar, laser-mätningar
Uppdaterad: