Jag är i grunden specialist inom CFD. För mig är CFD mer än en svart låda, och jag är särskilt engagerad i utveckling av öppen källkod, framför allt OpenFOAM. Min doktorsforskning fokuserade på osäkerhetsanalys av turbulenta flöden i turbomaskiner, där jag utvecklade sparsamma och effektiva metoder för att analysera geometriska och operationella osäkerheter samt tillämpade robust optimering under osäkerhet. Under min postdok vid Chalmers utvecklade jag numeriska metoder för transienta simuleringar av hydrauliska turbiner och arbetade med reducerade ordningens modeller, inklusive POD, SPOD, DMD och sparsity-promoting DMD.
På senare tid har min forskning fokuserat på att integrera maskininlärning med CFD. Jag har undersökt flödesstyrning med Deep Reinforcement Learning (DRL) i OpenFOAM och utvecklat multifidelitets physics-informed neural networks (PINN) för att lösa PDE:er. Detta arbete placerar min forskning i skärningspunkten mellan högupplöst CFD och datadrivna metoder, med målet att skapa effektiva, robusta och tillförlitliga metoder för simulering, analys och styrning av komplexa flöden.
Bilden nedan illustrerar omfattningen av min forskning (på engelska).
Möjligheter för examensarbete:
Jag handleder examensarbeten inom beräknings- och datadriven strömningsmekanik. Om du är masterstudent vid Linköpings universitet och letar efter ett examensarbete kan du se aktuella förslag och detaljerade projektbeskrivningar på min webbplats (på engelska).
Har du redan en projektidé som anknyter till min forskning och vill utveckla den som ett examensarbete är du välkommen att kontakta mig för att diskutera genomförbarhet och handledning.
