Josef Tausendschön

Josef Franz Viktor Tausendschön
Dipl.-Ing. BSc
Tel.
+43 316 873 - 30417
Sprechstunden
nach Terminvereinbarung

Über mich

Im Sommer 2018 schloss ich mein Verfahrenstechnik-Studium an der Technischen Universität Graz mit Auszeichnung ab. Während meiner Masterarbeit, wo ich mittels CFD-DEM Simulationen das Sedimentierverhalten von feuchten Gas-Partikel-Systemen untersuchte, hatte ich die Möglichkeit einen Auslandsaufenthalt als studentischer Forschungsmitarbeiter an der Princeton University zu absolvieren. Im Herbst 2018 nahm ich das Doktoratsstudium der technischen Wissenschaften am Institut für Prozess- und Partikeltechnik an der TU Graz auf, wo ich derzeit als Universitätsassistent angestellt bin. Das Thema meiner Doktorarbeit lautet: „Physics-based Deep Learning for Advanced Multiphase Flow Prediction” und beschäftigt sich mit der Verwendung von künstlicher Intelligenz in der Simulation von Mehrphasenströmungen.

Forschungsschwerpunkt: Coarse-Graining

Der Startpunkt meiner Dissertation und Forschungsarbeit, in Kooperation mit der Gruppe von Prof. Sundaresan der Princeton University, ist die Untersuchung des sogenannten Coarse-Graining Ansatzes in Simulationen von feuchten Gas-Partikelsystem, wo ein rechnerisches Partikel-Paket stellvertretend für eine bestimmte Anzahl Primärpartikeln betrachtet wird um die Rechenzeit signifikant zu reduzieren ohne Abstriche in der Genauigkeit zu machen (siehe Publikationsliste).
 

Forschungsschwerpunkt: Wärmestrahlungsmodellierung

Unter der Verwendung bereits trainierter Deep Neural Networks (DNN), wurde eine Möglichkeit geschaffen Sichtfaktoren für die Modellierung des Wärmeübergangs durch Strahlung zwischen Partikeln und zwischen Partikeln und Wänden in einer für DEM Simulationen notwendigen Genauigkeit und Geschwindigkeit zu berechnen. Der erstellte Datensatz setzt sich aus einem breiten Spektrum an Systemgrößen und Packungsdichten zusammen und wurde bei sehr hohen Temperaturen mit experimentellen Daten validiert (siehe Publikationsliste).

Der aktuelle Fokus liegt hier auf der Erweiterung des publizierten Ansatzes von monodispersen zu polydispersen Systemen und Untersuchung weiterer Machine Learning Modelle die über DNNs hinausgehen.