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.

Datei-Upload durch TIB

State of the art: Mathematical models are developed for a dedicated purpose. Due to their inherent level of detail they are limited in terms of reuse for other applications. This leads to inefficient system simulations in case of inappropriate component models for the task. Motivation/objective of the study: Methods to generate surrogate models are to be developed. These methods utilize existing simulations models and may incorporate additional data to generate approximate models that are a trade-off between accuracy and computational efficiency. These models shall be applicable to systems showing complex physical behaviors. Methods: Machine learning techniques and classical first principle modeling shall be used to develop hybrid model architectures that combine the computational efficiency of AI models, e.g., neural networks, with the reliable extrapolation capability and robustness of classical modeling techniques, e.g., differential algebraic equations. Results: Three relevant Bosch applications have been used to demonstrate the methods. Tool prototypes are available. Conclusions/Applications: The generated surrogate models are available as solutions and show the potential of the methods. The realized prototypes allow the application to other problems and the integration of new methods. Benchmarks enable the evaluation of other approaches.