Proper Hybrid Models for Smarter Vehicles; Kürzel: PHyMoS; Teilvorhaben: Methodenentwicklung und Implementierung in OpenModelica

Abstract

1. Stand von Wissenschaft und Technik vor Projektstart Innovative Automobilprodukte erfordern simulationsgestützte Analysen. Doch bestehende Modelle sind oft teuer, rechenintensiv und aufgrund begrenzter Genauigkeit kaum wiederverwendbar. 2. Begründung/Zielsetzung der Untersuchung Passgenaue Modelle mit hoher Genauigkeit und Recheneffizienz sollen automatisiert aus Daten und bestehenden Modellen generiert werden. Hybride Modellstrukturen kombinieren dabei die Stärken physik- und datenbasierter Ansätze. 3. Methode Symbolische Methoden nutzen die Repräsentation von Modelica-Modellen, um gezielt und effizient bestimmte Modellbereiche zu optimieren. Zwei Ansätze wurden für OpenModelica implementiert: Die Algebraic-Loop-Replacement Methode (ALR) ersetzt ausgewählte Gleichungen durch Surrogate, wobei verschiedene Architekturen und Trainingsalgorithmen realisiert wurden. Eine weitere Methode vereinfacht mathematische Ausdrücke mittels E-Graphs, ohne die Modellstruktur zu verändern. 4. Ergebnis Die ALR-Methode wurde erfolgreich an Benchmark-Modellen und Demonstratoren getestet, mit signifikanten Verbesserungen, insbesondere bei Echtzeitanforderungen. Der Einsatz von E-Graphs führt zu effizienterem Simulationscode. 5. Schlussfolgerung/Anwendungsmöglichkeiten Durch das PHyMoS-Projekt konnten neue Methoden zur Generierung beschleunigter Simulationsmodelle entwickelt werden und für die zukünftige Integration in OpenModelica prototypisch umgesetzt werden. Datei-Upload durch TIB

1. State of the art Innovative automotive products require simulation-based analyses. However, existing models are often costly, computationally intensive, and hardly reusable due to limited accuracy. 2. Motivation/objective of the study Precise models with high accuracy and computational efficiency should be automatically generated from data and existing models. Hybrid model structures combine the strengths of physics-based and data-driven approaches. 3. Methods Symbolic methods leverage the representation of Modelica models to efficiently optimize specific model areas. Two approaches were implemented for OpenModelica: The Algebraic-Loop-Replacement (ALR) method replaces selected equations with surrogates, utilizing various architectures and training algorithms. Another method simplifies mathematical expressions using EGraphs without altering the model structure. 4. Results The ALR method was successfully tested on benchmark models and demonstrators, achieving significant improvements, especially for real-time applications. The use of E-Graphs enhances simulation code efficiency. 5. Conclusion/Application The PHyMoS project enabled the development of new methods for generating accelerated simulation models, which were prototypically implemented for future integration into OpenModelica.