Schlussbericht PHyMoS

Abstract

Derzeitiger Stand von Wissenschaft und Technik: Mathematische Modelle werden für eine dedizierte Fragestellung entwickelt und sind aufgrund des gewählten Detaillierungsgrads nur bedingt wiederverwendbar. Ineffiziente Gesamtsystemsimulationen sind die Folge. Begründung/Zielsetzung der Untersuchung: Es sind Verfahren zu entwickeln, die ausgehend von vorhandenen Simulationsmodellen mit oder ohne zusätzliche Daten, Ersatzmodelle (Surrogate) generieren können, die eine für den Anwendungszweck angemessene Abwägung von Genauigkeit und Recheneffizienz aufweisen. Dabei sollen auch Verhalten aufgrund komplexe physikalischer Effekte abgebildet werden können. Methode: Durch maschinelles Lernen in Kombination mit klassischen Modellierungstechniken sollen hybride Modellarchitekturen entwickelt werden, um die Recheneffizienz von KI-Modellen, z.B. neuronale Netze, mit der Extrapolationsfähigkeit und Robustheit klassischer Modellierungstechniken, z.B. Beschreibung durch differential-algebraische Gleichungen, zu vereinen. Ergebnis: Auf drei relevante Bosch-Problemstellungen wurden entsprechende Ansätze angewendet und als Prototypen verfügbar gemacht. Schlussfolgerung/Anwendungsmöglichkeiten: Die generierten Ersatzmodelle zeigen die Grenzen und Möglichkeiten der Methoden auf. Prototypen ermöglichen die Anwendung auf weitere Problemstellungen und die Erweiterung um neue Methoden. Benchmarks erlauben die Evaluation neuer Ansätze.