< Terug naar vorige pagina

Project

Sensitiviteitsgebaseerde onzekerheidskwantificatie voor partieel stochastische plasmarandsimulaties van kernfusiemachines

Plasmarandsimulaties worden veelvuldig gebruikt voor de interpretatie van huidige kernfusie-experimenten en het ontwerp van reactoren. De vele onzekere parameters in de modelvergelijkingen leiden tot een grote onzekerheid op de simulatieresultaten. Daarom is er een grote noodzaak aan onzekerheidskwantificatie (OK), maar de hoge rekenkost voor een simulatie maakt het gebruik van standaard OK methodes onmogelijk. Onderzoek heeft aangetoond dat het aantal voorwaartse simulaties drastisch vermindert bij het gebruik van sensitiviteitsgebaseerde OK technieken. Daarom zal ik sensitiviteitsgebaseerde technieken voor plasmarandsimulaties ontwikkelen.

Een grote uitdaging is het efficiënt en correct berekenen van gradiënten met betrekking tot modelonzekerheden in aanwezigheid van statistische ruis afkomstig van de kinetische Monte Carlo simulatie voor de neutrale deeltjes. Ik zal gebruik maken van algoritmische differentiatie (AD), waarbij de simulatiecode semi-automatisch gedifferentieerd wordt met sterk behoud van correlatie in het stochastisch proces. Met behulp van uitmiddelingstechnieken zal ik de statistische fout minimaliseren. AD in adjoint modus is vooral interessant omdat de rekenkost voor de sensitiviteitsberekening onafhankelijk wordt van het aantal modelonzekerheden, maar bestaande geheugenreductietechnieken moeten aangepast worden voor partieel stochastische simulaties. Ten slotte zal ik de simulaties versnellen met behulp van een hybride fluïdum-kinetisch neutralenmodel.

Datum:1 nov 2023 →  Heden
Trefwoorden:Plasma edge modeling, Uncertainty quantification, Algorithmic differentiation
Disciplines:Vloeistofmechanica, Fysica van (fusie)plasma's en elektrische ladingen, Numerieke modellering en design, Kernenergie