Hybridmodelle
Ein Hybridmodell verbindet physikalisches Wissen aus Theorie und Simulation mit Machine Learning. Das Ergebnis rechnet in Sekunden und bleibt dort plausibel, wo reine Datenmodelle raten müssten.
- Welche Eingangsgrößen bestimmen das Ergebnis wirklich?
- Welche Prozesseinstellung erzeugt die geforderte Eigenschaft?
- Wie viele Simulationen braucht ein belastbares Modell?
Warum hybrid?
Simulationen sind genau, aber teuer. Datenmodelle sind schnell, aber nur so gut wie die Daten, mit denen sie trainiert wurden. Ein Hybridmodell nutzt die Simulation, um gezielt Trainingsdaten zu erzeugen, und das Wissen über die Physik, um Eingangsgrößen, Wertebereiche und Plausibilität festzulegen.
So entstehen Ersatzmodelle für Bauteile, Prozesse und Systeme, die sich in Parameterstudien, in der Auslegung oder sogar in einer Steuerung einsetzen lassen.
Unser Vorgehen in vier Schritten
Problem definieren: Modell aufbauen, FEM- oder CFD-Rechnungen durchführen, Datenmatrix erstellen.
Trainieren: Trainingsdaten aufbereiten, Modelltyp und Konfiguration wählen, Modell trainieren.
Präzisieren: Datenlücken schließen, Einflussfaktoren quantifizieren, Genauigkeit gezielt erhöhen.
Vorhersagen: Ergebnisse für neue Parameter berechnen, auch invers: Welche Eingangsgrößen führen zum gewünschten Ergebnis?
Passende Projekte
Passt das zur eigenen Fragestellung?
Eine kurze Beschreibung genügt. Wir melden uns mit einer Einschätzung, ob und wie wir helfen können.