Een toenemend aantal toepassingen vereist de koppeling van effecten uit verschillende fysische velden. Een leidende rol wordt gespeeld door het veld van fluïdum-structuurinteractie, dat systemen onderzoekt waar stroming en structurele beweging niet kunnen worden losgekoppeld. Hoewel deze fenomenen wijdverbreid zijn, wordt hun numerieke simulatie slechts beperkt gebruikt vanwege de enorme rekenkosten en de vereiste expertise. De hoge kosten worden veroorzaakt door de iteratieve procedure binnen elke tijdstap en worden verergerd door inherente numerieke instabiliteiten, waardoor het aantal koppelingsiteraties toeneemt. Nu worden deze instabiliteiten tegengegaan door quasi-Newton-methoden, waarbij de Jacobiaan wordt benaderd op basis van eerdere deelprobleemevaluaties. Deze technieken vertonen echter belangrijke tekortkomingen, die dit voorstel wil verhelpen door algoritmen te ontwikkelen die automatisch en dynamisch de toleranties van de deelproblemen instellen, een geautomatiseerde classificatie en behandeling van niet-lineariteiten uitvoeren en automatisch het tijdsafhankelijke gedrag leren. Op deze manier wil ik de efficiëntie en robuustheid van fluïdum-structuursimulaties drastisch verbeteren, simulaties mogelijk maken die voorheen erg moeilijk of zelfs onmogelijk waren en een wijdverspreider gebruik van deze simulaties stimuleren, waardoor uiteindelijk vooruitgang mogelijk wordt gemaakt in de gebieden van hernieuwbare energie, gezondheid en meer.