EXC 2075, PN 5-2A (II): Vollständig implizite lokale dynamische Modelladaptivität mit maschinell erlernter Skalenüberbrückung

"Numerische Modelle unterirdischer Gasspeicher müssen häufig mit langen Zeiträumen und großen Gebieten zurecht kommen. Daher werden Rechenmodelle benötigt, die robust und schnell sind und zugleich eine genaue Vorhersage des Systems liefern, um z. B. potenzielle Gasspeicherorte zu identifizieren, optimale Betriebsparameter zu bestimmen und die Betriebssicherheit zu gewährleisten. Das effizienteste Modell zu einem bestimmten Zeitpunkt während der Simulation kann durch Kopplung von Modellen unterschiedlicher Komplexität im Simulationsgebiet (Multiphysik- oder Hybridmodell) erreicht werden. Es wird erwartet, dass diese Multiphysikmodelle für Gebiete mit variierender Komplexität robust und rechnerisch effizient sind, da sie die Modellkomplexität zu verschiedenen Zeitpunkten während der Simulation und in verschiedenen Teilen des Gebiets an die Gebiets- bzw. Prozesskomplexität anpassen können.

Das Ziel dieses Projekts ist ein vollständig implizites hybrides Modell mit lokaler dynamischer Modelladaptivität unter Verwendung von maschinell erlernten skalenüberbrückenden Beziehungen zur Beschreibung von Gasspeicherszenarien. Das hybride Multiskalenmodell verbindet ein volldimensionales feinskaliges Modell mit einem grobskaligen Vertical Equilibrium Modell.

Um die strengen Zeitschrittgrenzen zu überwinden, die sich aus dem im Vorläuferprojekt entwickelten sequentiellen, d. h. IMPES-artigen, Lösungsansatz zu überwinden, werden wir einen vollständig impliziten Ansatz verfolgen. Dies erfordert die Bestimmung des Übergangsbereichs vor jedem Zeitschritt, in dem ein Modellwechsel während dieses Schritts zulässig ist. Die im Projektverbund entwickelten Lösungsstrategien für die Systeme nichtlinearer und linearer werden getestet und weiterentwickelt. Der Vorteil des vollständig impliziten Modells im Vergleich zum sequentiellen Modell wird analysiert. Da die notwendigen skalenüberbrückenden Berechnungen einen erheblichen Teil des Rechenaufwands ausmachen, werden sie durch maschinelles Lernen optimiert werden. Das Modell wird mit experimentellen Daten unter Verwendung eines Bayes'schen Ansatzes validiert, indem Unsicherheiten berechnet und die Auswirkungen konkurrierender Modellierungsentscheidungen quantifiziert werden."
 
 
 
 
 
 

 apl. Prof. Dr. rer. nat. Bernd Flemisch

Ivan Buntic (M.Sc.)

Prof. Dr. Ingo Steinwart

09/2023 - 12/2025