Maschinelles Lernen

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.

Abbildung 1: Darstellung exemplarischer Ergebnisse eines Ersatzmodells zur Berechnung des stationären Heiz-COPs eines CO2-BEV-Thermomanagementsystems in Abhängigkeit von sieben Betriebsrandbedingungen und -parametern.

Die berücksichtigten Eingangsgrößen des Modells sind Kältemittelhochdruck, Umgebungstemperatur, Umgebungsluftfeuchtigkeit, Luftmassenströme an Klimagerät und Umgebungswärmeübertrager, Kühlmittelvolumenstrom und Kühlleistungsanforderung der Traktionsbatterie. Das Modell wurde zur betriebspunktabhängigen Effizienzoptimierung eingesetzt.

Links: Vergleich des Heiz-COPs in Abhängigkeit des Kältemittelhochdrucks und der Umgebungstemperatur in einem exemplarischen Betriebspunkt. Das stationäre Ersatzmodell erlaubt aufgrund der hohen Auswertegeschwindigkeit eine flächendeckende Charakterisierung des Zusammenhangs bei geringen Einbußen in der Genauigkeit.

Rechts: Vergleich des optimalen Kältemittelhochdrucks in Abhängigkeit der Umgebungstemperatur in einem exemplarischen Betriebspunkt. Die Referenzergebnisse wurden auf Basis einer umfangreichen Simulationsstudie des detaillierten Referenzmodells bestimmt. Das stationäre Ersatzmodell ermöglicht die Verwendung effizienter Optimierungsalgorithmen

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.