GT-05 Maskinlæring med nevrale operatorer for flytende hydrogen

Motivasjon og relevans

I fremtidens nullutslippssamfunn vil hydrogen spille en essensiell rolle som karbonfri energibærer. Men i utgangspunktet har hydrogen ekstremt lav tetthet. Praktisk bruk av hydrogen gjøres derfor ved høyt trykk på flere hundre bar, eller ved så lave temperaturer at hydrogen blir flytende (-253 °C). Det siste alternativet er spesielt relevant som drivstoff på fremtidige nullutslipps-fly og andre transportformer der batterier blir for tunge.

Bakgrunn

SINTEF har forsket på flytende hydrogen (LH2) i flere tiår, både for store lagertanker til eksport av hydrogen, og til drivstofftanker. Typiske utfordringer med LH2-tanker er at det stilles ekstreme krav til isolasjon for å unngå at drivstoffet fordamper for raskt, og at det er et komplisert samspill mellom gass og væske inne i tanken. I EU-prosjektet ALRIGH2T arbeider vi sammen med mange europeiske partnere for å utvikle og demonstrere flytende hydrogen-tanker til bruk i luftfart. 

En del av dette prosjektet dreier seg om å utvikle en detaljert simuleringsmodell for hva som skjer med innholdet i LH2-tanken under forskjellige operasjoner som fylling, stillstand, bevegelse og forbruk. Dette gjøres i dag med CFD-beregninger som krever så mye regnekraft at det er vanskelig å simulere hva som skjer i en hel tank i mer enn noen sekunder. I dag brukes klassiske redusert-orden-modeller for å simulere over lengre tid, der man har gjort mange antakelser og forenklinger av fysikken. Det er potensiale for å oppnå en stor forbedring på dette området ved å anvende nye maskinlærings-teknikker slik som Fourier-nevrale operatorer. Med slike modeller har man mulighet til å inkludere mye mer fysikk uten at kravet til regnekraft blir uoverkommelig.

Oppgave

Arbeidet vil dreie seg om å teste forskjellige maskinlærings-teknikker, slik som Fourier-nevrale operatorer, som kan gi tilnærmede løsninger på fysiske problemer ved å lære løsnings-operatorer for partielle difflikninger ved å trenes på data fra CFD-simuleringer. Kandidaten forventes å sette seg inn i de grunnleggende fysiske fenomener som inngår, samt litteratur og åpen kildekode for de forskjellige teknikkene. Det er en fordel om arbeidet kan videreføres i en prosjekt- og masteroppgave.

Oppgaven består i å:

• Sette seg inn i problemstillingen, inkludert strømning og termodynamikk i LH2-tanker
• Gå gjennom litteraturen på Fourier-nevrale operatorer og relaterte teknikker
• Prøve ut en eller flere slike teknikker på datasett fra CFD-simuleringer

Forutsetninger

Det er en fordel at sommerjobberen har kjennskap til (eller evne til å sette seg inn i):

• Programmering (fortrinnsvis Python) og maskinlærings-teknikker
• Numeriske metoder for å løse PDE-er
• Fluidmekanikk og termodynamikk

Hovedveileder: Åsmund Ervik

Medveiledere: Johan Raftevold Espelund og Eirik Fyhn