Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Development of a Novel Machine Learning-based model for Multiphase flows

Projektbeschreibung

Intelligentere Flüssigkeitsanalyse mithilfe von maschinellem Lernen

Bei der Mehrphasenströmung bewegen sich Materialien gleichzeitig in verschiedenen Phasen (Flüssigkeiten, Gase oder Feststoffe). Sie unterstützt kritische Prozesse in verschiedenen Branchen, darunter Energie- und Gesundheitswesen. Sie zu erforschen stellt jedoch eine Herausforderung dar. Experimente sind kostspielig und schwer zu handhaben und die Berechnungsmethoden sind langsam und ressourcenintensiv. Unterstützt über die Marie-Skłodowska-Curie-Maßnahmen wird das Projekt MLTI-PHASE eine neue Methode entwickeln, bei der Mehrphasenströmungen mithilfe von maschinellem Lernen analysiert werden. Die Forschenden werden das maschinelle Lernen mit der Strömungsdynamik kombinieren. Hierfür sollen sie Bilder des Strömungsverhaltens und mathematische Gleichungen verwenden. Diese Eingaben ermöglichen es dem maschinellen Lernmodell, das Strömungsverhalten zu verstehen und vorherzusagen. Auf diese Weise werden Analysezeit und Kosten erheblich reduziert. Dieses Modell wird verfeinert und anhand von Benchmark-Problemen getestet, bevor es auf reale Systeme angewendet wird.

Ziel

Multiphase flow (MF) is the simultaneous flow of materials with two or more thermodynamic phases. MF occurs in numerous settings: bioengineering, conventional and nuclear power plants, oil and gas production and transport, pharmaceutical industry, combustion engines, chemical industry, flows inside the human body, biological industry, and process technology, to name a few. Researchers use experimental and theoretical techniques to study MF. Experimental techniques are usually restricted to smaller domains or laboratory scales due to very high costs; in addition, experiments in realistic conditions are very difficult to manage. On the other hand, theory usually requires numerical computation, which is very time-consuming for realistic MF problems.
The objective of this study is to develop a novel machine learning (ML)-based hidden fluid dynamics approach for MF. This innovative method combines ML and fluid dynamics by means of information accessible from photographs of flow visualizations and governing equations. The developed approach will considerably reduce the cost and time required to analyse MF systems. It will unlock many opportunities to improve the design and efficiency of existing and future MF systems, thus lowering design/operational costs.
This will be the first study to develop a ML-based model for MF. The novelty of the proposal is that it will open the opportunity to explore, via a relatively cheap and fast computation method, the vast number of design parameter variations normally needed for the optimisation of MF systems (e.g. efficiency, pressure drop, etc.). This contrasts with expensive and time-consuming experiments and time-inefficient parameter studies involving traditional computational fluid dynamics.
The proposal will be carried out in three stages:
1) To develop a ML-based model for MF.
2) To test the model with several benchmark MF problems.
3) To use the model to improve design and reduce cost in an actual practical environment.

Wissenschaftliches Gebiet (EuroSciVoc)

Dieses Projekt wurde noch nicht bei EuroSciVoc klassifiziert.
Schlagen Sie die Wissenschaftsbereiche vor, die Ihrer Einschätzung nach besonders relevant sind, und helfen Sie uns, unseren Klassifizierungsdienst zu verbessern.

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2022-PF-01

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

UNIVERSITY OF LIMERICK
Netto-EU-Beitrag
€ 215 534,40
Adresse
NATIONAL TECHNOLOGICAL PARK, PLASSEY
- Limerick
Irland
Region
Ireland Southern Mid-West
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Partner (2)