Mahdi Abkar

Projekttitel

Physics-constrained Learning for Turbulent Flows (PLTF)

Hvad handler dit projekt om?

Turbulens spiller en central rolle i mange systemer af interesse for ingeniører. Har du for eksempel undret dig over, hvordan vi kan designe mere produktive vindmølleparker, fly der larmer mindre, eller mere pålidelige vejrudsigter? Ingeniører og videnskabsfolk har længe søgt at besvare denne slags spørgsmål gennem en række af forskellige teknikker. Den mest præcise af disse er en direkte simulering af turbulens, men dette er ikke muligt i praksis grundet den høje pris man må betale for at opløse alle de turbulente skalaer i både rum og tid. Forskere har derfor kun haft en mulighed for at nedsætte de beregningsmæssige omkostninger af turbulens simuleringer: Turbulens modeller. Desværre fejler nuværende modeller tit i at fange den fulde underlæggende fysik, og derfor også i at forudsige komplekse turbulente strømninger mødt i praksis, fordi de bygger på oversimplificerede antagelser baseret på idealiserede forhold. For at løse dette langvarige problem foreslår PLTF at bruge physics-constrained-learning af turbulens som en innovativ tilgang til at udvikle den næste generation af turbulens modeller. Hypotesen er således at den fulde underlæggende fysik, ignoreret i nuværende modeller, kan fanges i langt højere grad gennem datadrevne modeller via førende maskinlæringsteknikker.

Hvordan opstod din interesse for dit forskningsfelt?

Turbulens er overalt, fra naturen til ingeniørverdenen. Typiske eksempler er atmosfæriske strømme og havstrømninger, blodets strømning gennem årerne, luftens gennem luftvejene i lungerne, strømninger gennem turbiner, skibe, og pumper. Udover den enorme praktiske relevans af turbulens, så er det også et felt hvor matematikkens skønhed træder frem. Jeg nyder at udforske turbulensens uendelige finurligheder samt detalje og virkeligt dykke dybt ned i dette forskningsområde. Det tætte bånd mellem turbulens, fysik, og matematik har givet mig den tilfredsstillelse jeg søgte ved at studere grundlæggende videnskab. Derudover betyder turbulensens praktiske relevans at jeg kan bidrage til samfundet gennem ingeniørmæssige innovationer.

Hvad er de forskningsmæssige udfordringer og perspektiver ved dit projekt?

Grundet den kritiske rolle som fluid mekanik spiller i mange tekniske applikationer, er det nødvendigt at maskinlærings (ML) modeller samt løsninger i dette felt både er nemme at fortolke og kan generalisere. At opfylde disse krav er den primære udfordring i anvendelsen af ML for fluid mekanik og skyldes primært den høje dimensionalitet samt ikke-lineære dynamik der karakterer fluid strømning. For at angribe dette problem bruger PLTF en fysik inspireret tilgang, hvor fysiske krav samt viden er inkorporeret i ML processen. Ideen er at ML modellen vil inkludere bidrag både fra fysikken (som er nem at fortolke og kan generalisere) og fra data (den detaljerede virkelighed).

Hvilke perspektiver vurderer du selv, at din forskning på sigt kan have for det omgivende samfund?

PLTF forventes at fremme vores viden inden for ML modellering i fluid mekanik og turbulens modeller. Baseret på den enorme mængde data som vi har adgang til i dag og den massive investering som industrien lægger i at bruge data til at drive design og optimering, præsenterer PLTF et potentiale for banebrydende resultater, inklusiv et nyt framework og algoritmer som kan udføre hurtige beregninger til brug i design og beslutningstagning af forskere på universiteterne såvel som i industrien.

Hvad vil det betyde for din forskerkarriere, at du indgår i Sapere Aude-programmet?

Mit langvarige karrieremål er at løfte min forskningsgruppe til det højeste internationale niveau for forskning i fluid mekanik og specielt i forhold til fysikbaseret og datadrevet modellering af turbulens. Den prestigefyldte Sapere Aude: DFF-Forskningsleder forskningsbevilling bidrager betydeligt til mit mål og vil muliggøre modtagelse af fremtidige nationale og internationale forskningsbevillinger. Denne forskningsbevilling vil også styrke mit samarbejde både med industrien samt med andre forskere på universiteterne og give mig nye muligheder for at bidrage til udviklingen af forskningstalenter i Danmark.

Lidt om mennesket bag forskeren

Oprindeligt kommer jeg fra Tehran, Irans hovedstad. Jeg tog min bachelor og kandidat i mekanik på Tehran Polytechnic. I 2010 flyttede jeg til Schweiz hvor jeg fik min PhD fra Swiss Federal Institute of Technology in Lausanne (EPFL), efterfulgt af et postdoc stipendium ved Center for Turbulence Research (CTR) på Stanford Universitet. Siden 2017 har jeg haft en fast forskerstilling ved Aarhus Universitet. I min fritid kan jeg godt lidt at læse bøger, se film, høre musik, og at tage gå-/løbeture i den nærliggende skov i Risskov.