Surrogatmodelle und DoE
Ein Surrogatmodell lernt aus einer überschaubaren Zahl von Simulationen oder Versuchen, wie das System reagiert. Danach lassen sich weitere Varianten bewerten, ohne neu zu rechnen.
- Wie viele Stützstellen braucht das Modell?
- Welche Parameter haben den größten Einfluss?
- Wo im Parameterraum liegt das Optimum?
Vom Versuchsplan zum Modell
Design of Experiments liefert eine strukturierte Abdeckung des Parameterraums. Statt jeden Punkt einzeln auszuwerten, trainieren wir auf diesen Daten ein Modell, das Zwischenwerte vorhersagt, Sensitivitäten zeigt und Optima eingrenzt.
Wichtig ist, die Grenzen zu kennen: Ein Surrogatmodell ist nur innerhalb des abgedeckten Bereichs verlässlich. Deshalb zeigen wir Gütemaße wie R² und Kreuzvalidierung und markieren, wo zusätzliche Datenpunkte nötig sind.
Wo es sich lohnt
Überall dort, wo eine einzelne Rechnung Stunden dauert und viele Varianten zu bewerten sind: Crash, Thermik, Strömung, Spritzguss, Werkstoffauslegung.
Passende Projekte
Restwanddicke im Spritzguss mit Wasserinjektion vorhersagen
Ein neuronales Netz sagt die Restwanddicke eines hohlen Kunststoffteils aus den Prozessparametern vorher. Umgekehrt liefert es den Prozessparameter, der eine geforderte Wanddicke erzeugt. Ein Projekt mit Plastic Innovation.
→ Projekt ansehenLadekabel für E-Fahrzeuge mit Phasenwechselmaterial auslegen
Beim Schnellladen erwärmen hohe Ladeströme Leitungen und Batteriesystem. Ein ML-Modell auf Basis von FEM- und Prototypdaten bestimmt den Leiterdurchmesser für eine vorgegebene Maximaltemperatur – mit Phasenwechselmaterial als passivem Wärmespeicher.
→ Projekt ansehenPasst das zur eigenen Fragestellung?
Eine kurze Beschreibung genügt. Wir melden uns mit einer Einschätzung, ob und wie wir helfen können.