MARC

 008260126s2026        us                              c    eng  d
■001000017361015
■00520260202105652
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798270298906
■035    ▼a(MiAaPQ)AAI32403426
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aGuo,  Alex.
■24510▼aCharacterizing  Multiscale  Structures  and  Developing  Hybrid  Low-Order  Models  of  Chaotic  Flows
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2026
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2026
■300    ▼a211  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-07,  Section:  B.
■500    ▼aAdvisor:  Graham,  Michael  D.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2026.
■520    ▼aEfficient  and  accurate  predictive  models  are  highly  sought  after  in  applications  such  as  weather  forecasting,  chemical  processes,  and  turbulent  flows.  Wall-bounded  turbulence-which  is  the  focus  of  this  work-is  a  notoriously  difficult  system  to  predict  due  to  its  chaotic  nature  and  presence  of  multiscale  structures  (i.e.,  eddies  or  vortices)  that  must  all  be  resolved  in  simulations.  This  thesis  contains  two  main  goals.  The  first  is  to  gain  physical  insight  into  wall-bounded  turbulence  by  characterizing  its  structures.  The  second  goal  is  to  develop  and  benchmark  low-order  models  of  chaotic  dynamical  systems  such  as  wall-bounded  turbulence,  which  would  be  instrumental  in  iterative  design  and  control  of  these  systems  due  to  the  many  model  evaluations  required.            We  start  in  Chapter  1  with  a  background  on  the  theory  of  physical  structures  embedded  in  turbulent  flow-their  appearance  and  whether  they  are  self-similar  across  scales-in  addition  to  background  on  low-order  modeling  of  dynamics  on  manifolds.  In  Chapter  2,  we  present  data-driven  wavelets  as  an  ideal  modal  basis  for  representing  and  extracting  spatially-localized,  multiscale  structures  from  data;  we  use  this  basis  to  discover  self-similarity  of  structures  in  one-dimensional  signals  of  turbulent  pipe  flow.  In  Chapter  3,  we  develop  a  physics-informed,  data-driven  reduced-order  model  (ROM)  for  forecasting  spatiotemporally  chaotic  dynamical  systems.  In  Chapter  4,  we  discuss  how  to  combine  time-delay  embeddings  and  attention-based  neural  networks  to  reconstruct  fields  from  partial  observations  of  the  state,  which  addresses  a  real-world  challenge  where  sensors  (e.g.,  those  measuring  atmospheric  data)  do  not  always  have  full  coverage.  In  Chapter  5,  we  return  to  using  wavelets  to  characterize  structures,  but  this  time  in  three-dimensional  turbulent  channel  flow.  Finally,  we  conclude  in  Chapter  6  with  a  general  summary  of  the  chapters  and  an  overview  of  future  work  towards  developing  a  high-fidelity,  low-order  model  of  wall-bounded  turbulence.
■590    ▼aSchool  code:  0262.
■650  4▼aFluid  mechanics
■650  4▼aApplied  physics
■650  4▼aBioengineering
■650  4▼aChemical  engineering
■653    ▼aMachine  learning
■653    ▼aPhysics-informed
■653    ▼aReduced-order  modeling
■653    ▼aTime-series  prediction
■653    ▼aWavelets
■690    ▼a0204
■690    ▼a0202
■690    ▼a0542
■690    ▼a0215
■71020▼aThe  University  of  Wisconsin  -  Madison▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-07B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2026
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361015▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서