Maschinelles Lernen

Wir erstellen für unsere Kunden echtzeitfähige datenbasierte Modelle von Komponenten und Systemen, die beispielsweise in der Gesamtsystemsimulation oder für die Regelungsentwicklung verwendet werden können. Die von uns entwickelten Modelle beruhen auf einfachen Polynomansätzen, Methoden der Proper Orthogonal Decomposition (POD), neuronalen Netzen oder kombinierten physikalischen und datenbasierten Modellansätzen.

Der Einsatz von Methoden des maschinellen Lernens zur Erstellung leistungsfähiger Modelle – basierend auf Simulations-, Mess- und Felddaten – eröffnet uns eine Vielzahl neuer Möglichkeiten. Um unseren Kunden anwendungsnahe Lösungen anbieten zu können, kombinieren wir unsere langjährige Erfahrung in der Modellierung und Simulation thermischer Systeme mit verschiedenen Methoden des maschinellen Lernens. Diese umfassen die ganze Bandbreite von Polynommodellen bis zu neuronalen Netzen sowie die Proper Orthogonal Decomposition (POD). Durch bewährte und fortschrittliche Versuchsplanungsmethoden können die zur Modellerstellung benötigten Daten sowohl simulativ als auch messtechnisch zeit- und kosteneffizient erzeugt werden.

Zur Lösung regelungstechnischer Problemstellungen sowie zur Durchführung von Optimierungsrechnungen erstellen wir recheneffiziente, datengetriebene Modelle. Diese ermöglichen uns die Entwicklung leistungsfähiger modell- und optimierungsbasierter Regelungskonzepte, wie beispielsweise die echtzeitfähige Bestimmung quasistationär optimaler Sollwerte und Stellgrößen. Die erstellten Modelle können durch C-basierte Routinen auf das jeweilige Zielsystem portiert werden. TLK-Thermo bietet hierzu anwendungs- und kundenspezifische Umsetzungen an.

Feldberechnungen beziehungsweise CFD-Simulationen bieten einen hohen Detailgrad, sind jedoch typischerweise sehr zeitaufwendig. Um die Simulation rechenintensiver hochdiskretisierter Modelle zu beschleunigen, nutzen wir Modellreduktionsverfahren – beispielsweise die POD – zur Initialisierung durch Näherungslösungen. Um Modelle für Systemsimulationen bereitzustellen, setzen wir neben der POD auch krylov-basierte Modellreduktionsverfahren mittels Ansys Mechanical (MORiA) ein. Eine zeit- und ressourceneffiziente Erstellung von reduzierten Modellen erreichen wir durch eine dedizierte Planung der Simulationsstudien mit erprobten Methoden aus dem Design of Computer Experiments (DoCE). 

Bei TLK arbeiten wir fortwährend an der Weiterentwicklung und Erweiterung der eingesetzten Methoden, um auch zukünftig fortschrittliche und neuartige Lösungen anbieten zu können. Neben der detaillierten Abbildung dynamischer Systeme mittels NeuralODEs untersuchen wir auch den Einsatz hybrider Methoden, in denen physikalische und datengetriebene Modellansätze kombiniert werden. Damit verfolgen wir das Ziel, die Interpretierbarkeit und Generalisierungsfähigkeit datengetriebener Modelle zu erhöhen.