Gesamtschlussbericht PHyMoS-Konsortium

Abstract

1. Stand von Wissenschaft und Technik vor Projektstart: Die Entwicklung innovativer Produkte im Automotive Bereich erfordert den Fragestellungen gemäße Simulationsmodelle. Dies ist zeitaufwändig und teuer. Die Wiederverwendung ist gering aufgrund unzureichender Genauigkeit und/oder Recheneffizienz. 2. Begründung/Zielsetzung der Untersuchung: Der hinsichtlich Genauigkeit und Recheneffizienz der Problemstellung angemessene Modelle sollen auf Basis von Daten und bestehenden Modellen automatisiert generiert werden. Hybride Modellstrukturen sollen die Vorteile physikbasierter und datenbasierter Modellierungstechniken vereinen. 3. Methode: Physikbasierte Modelle sollen zur Generierung synthetischer Daten genutzt werden um physikalisch inspirierte Modellarchitekturen zu trainieren. Probabilistische Ansätze kommen zum Einsatz um robuste Parameteridentifikationen und Kalibrierungen zu ermöglichen. Es kommen in 8 unterschiedlichen Anwendungen 17 verschiede Methoden zum Einsatz 4. Ergebnis: Es wurden für praxisrelevante Anwendungen wie Brennstoffzellenantriebe, Wärmepumpen, Antriebskomponenten, MEMS und Batterien sowohl für dynamische, statische, und teilweise räumlich verteilte Systeme verschiedene Ansätze evaluiert. Es wurden signifikante Beschleunigungen in der Rechenzeiten erzielt. Die Methoden wurden als Tool-Prototypen realisiert. 5. Schlussfolgerung/Anwendungsmöglichkeiten: Durch das PHyMoS-Projekt konnten neue Methoden zur Generierung beschleunigter Simulationsmodelle entwickelt werden und für die zukünftige Integration in Simulationswerkzeuge prototypisch umgesetzt werden.

Datei-Upload durch TIB

1. 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 simulation tasks. This leads to inaccurate or inefficient system simulations in case of inappropriate component models. 2. 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. 3. 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. 4. Results: Eight relevant applications, from fuel cell drives, heat pumps, drive components, MEMS and batteries demonstrate the performance of the tool prototypes for static and dynamic problems. Significant speed-ups have been achieved. 5. 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.