{"id":2815,"date":"2022-12-19T18:17:37","date_gmt":"2022-12-19T17:17:37","guid":{"rendered":"https:\/\/rcai.de\/?page_id=2815"},"modified":"2023-03-08T16:49:14","modified_gmt":"2023-03-08T15:49:14","slug":"biofluid-mechanics","status":"publish","type":"page","link":"https:\/\/rcai.de\/en\/labs\/biofluid-mechanics\/","title":{"rendered":"Laboratory for Biofluid Mechanics"},"content":{"rendered":"
\n
\"\"<\/figure>\n\n\n\n

Prof. Dr.-Ing. Lars Krenkel
Laborleiter<\/h2>\n\n\n\n
\n
\n

Laboratory for Biofluid Mechanics<\/h2>\n\n\n\n
<\/div>\n\n\n\n

Das Lehr- und Forschungsgebiet Biofluidmechanik b\u00fcndelt Kompetenzen der numerischen und experimentellen Str\u00f6mungsmechanik mit dem Schwerpunkt auf Grundlagenforschung zu Str\u00f6mungen in biologischen sowie medizinischen Systemen. Daneben werden auch klassische angewandte Str\u00f6mungsfragen aus der technischen Aerodynamik bearbeitet.<\/p>\n\n\n\n

Ans\u00e4tze basierend auf K\u00fcnstlicher Intelligenz (KI) und Deep Learning (DL) finden dabei Anwendung in der numerischen Str\u00f6mungsberechnung sowie f\u00fcr optimierte Analyse str\u00f6mungsinduzierter Vorg\u00e4nge. Insbesondere die F\u00e4higkeiten k\u00fcnstlicher Neuronaler Netze (ANNs) als universelle nichtlineare Approximatoren sowie der effiziente Umgang mit hochdimensionalen Feldern und die geringe Rechenintensit\u00e4t sind sehr attraktive Faktoren. Eigene Vorarbeiten sowie Arbeiten zahlreicher anderer Forschungsgruppen haben dabei bereits gezeigt, dass Deep-Learning-Anwendungen in Form von ANNs konventionelle numerische Berechnungsverfahren (Computational Fluid Dynamics \u2013 CFD) beschleunigen, qualitativ verbessern oder mit gewissen Einschr\u00e4nkungen zumeist auch ersetzen k\u00f6nnen. Es ist m\u00f6glich, dadurch schnelle oder sogar Echtzeit-Vorhersagen zu treffen, allerdings in der Regel um den Preis einer geringeren Genauigkeit. Charakterisiert werden k\u00f6nnen die neuen Deep-Learning-Ans\u00e4tze im Rahmen von CFD-Anwendungen unter den Schlagw\u00f6rtern \u201ephysics informing\u201c, \u201eturbulence enhancement\u201c und \u201esuper-resolution\u201c.<\/p>\n\n\n\n

Neben Ans\u00e4tzen zur Anwendung von Machine Learning im Rahmen numerischer Str\u00f6mungsberechnung werden KI-Methoden auch zur Klassifizierung von hiostologischen Bilddaten von klinisch genutzten k\u00fcnstlichen Lungen zur Identifikation von str\u00f6mungsinduzierten Gerinnungsprozessen angewandt.<\/p>\n<\/div>\n\n\n\n

\n
<\/div>\n\n\n\n

Fields of interest<\/h3>\n\n\n\n

Mustererkennung
Signal-\/Zeitreihenanalyse
Prognose

Explainable AI
Physics-Informed AI
Machine Learning zur L\u00f6sung partieller Differentialgleichungen

KI in Biologie und Medizin<\/p>\n\n\n\n

Contact<\/h3>\n\n\n\n

+49 (0) 941 943-9918
lars.krenkel@oth-regensburg.de<\/a>
Website<\/a><\/p>\n\n\n\n