Weitere Seminare:

Einführung in die Methode des Reduced Order Modelling und seiner Anwendung in der modellbasierten Echtzeit-Optimierung


Beschreibung

Zeiten und Kosten für Berechnungen und Simulationen sind zu einer kritischen Komponente des industriellen Entwicklungszyklus geworden. Insbesondere Fragestellungen, die iterative Berechnungen benötigen, wie z. B. Optimierung, Zuverlässigkeits- oder Robustheitsstudien, erfordern einen häufigen Neustart der Modelle. Dies ist selbst für einen einzelnen Entwurf oder eine einzelne Untersuchung aufwändig, da detaillierte Modelle erfordert sind, die ausreichend empfindlich auf Änderungen der Modellvariablen (endogen) oder Parameter (exogen) reagieren. Die benötigten Daten sind Simulationsergebnisse, experimentelle Messungen oder beides, wobei der Hauptzweck von Simulationsmodellen darin besteht, reale Experimente durch kostengünstigere und leichter zu kontrollierende Repräsentationen zu ersetzen. Leider stößt die angestrebte Einfachheit der Modelle (die oft in Form von übervereinfachten Ersatzmodellen formuliert werden) aufgrund der oft komplexen Physik oder des Mangels an repräsentativen Modellen an ihre Grenzen.

Mit der Einführung der Methode des Reduced Order Modelling (ROM) sollen zwei Probleme gleichzeitig gelöst werden, nämlich die Bereitstellung präziser Daten und die Beschränkung des Rechenaufwands. Bis vor kurzem gab es keine hinreichend genauen und realistischen Zwischenlösungen, die es ermöglichten, aus Experimenten oder Simulationen zu lernen und eine Verbindung zwischen beiden herzustellen, die einen "digitalen Zwilling" oder einfacher ausgedrückt ein "gekoppeltes Simulations-/Experimentiermodell" ermöglichten. Darüber hinaus ist die Modellierung oft mit Problemen im Zusammenhang mit Lizenzierung, Mehr-Skalen-Betrachtungen und Vertraulichkeit konfrontiert, insbesondere im industriellen Umfeld. Die ROM-Technik ist eine innovative und vielversprechende Lösung um die Echtzeitmodellierung voranzubringen.

In den letzten Jahren wurde das ursprünglich aus der Systemmodellierung stammende ROM-Konzept aufgegriffen und hat sowohl bei Anwendungen als auch bei der algorithmischen Reife an Akzeptanz und Effizienz gewonnen. Die Grundidee besteht darin, Komprimierungstechniken aus der klassischen Matrixalgebra und der Signalverarbeitung in Kombination mit neuen Konzepten des maschinellen Lernens und der Bildverarbeitung zu nutzen, um den Rechenaufwand zu verringern, der zur Berechnung und Nutzung vorhandener Modelle und/oder experimenteller Ergebnisse erforderlich ist. Ausgehend von vorhandenen Daten über das Verhalten eines Systems, das Variationen seiner internen Komponenten oder externer Belastungen beinhaltet, soll dieses Know-how in Form einer Blackbox genutzt werden, um sein Verhalten nach Änderungen ohne großen Rechenaufwand vorherzusagen und so eine schnelle Konstruktionsoptimierung zu ermöglichen.

Wer sollte teilnehmen?

Jeder, der sich für die Beschleunigung von Optimierung, Sensitivitätsanalysen, Zuverlässigkeit und Robustheit interessiert, und alle die die Anwendung von ML-Techniken in CAE verstehen und einführen möchten, sind Kandidaten für die Teilnahme an diesem Seminar. Es weder ein tiefes Verständnis für maschinelles Lernen noch komplexe Mathematik oder Matrixalgebra vorausgesetzt. Eine ingenieurwissenschaftliche Ausbildung ist hinreichend, auch wenn Erfahrungen mit Simulationstechniken (verschiedene Solver) und Optimierungsverfahren (nicht Algorithmen) sehr nützlich sind. Die Teilnehmer können Studenten, Konstrukteure, Ingenieure oder Projektmanager und Teamleiter aus verschiedenen Konstruktions- oder Entscheidungsfindungsphasen der CAD/CAE-basierten Entwicklung sein. Themen aus der Automobilindustrie, der Luftfahrt, der Medizintechnik und dem Bauwesen werden zur Demonstration herangezogen.

Inhalte

  • Modell-Reduktion
  • Einführung
  • Theoretischer Hintergrund
    • Regression
    • Eigenwertproblem
    • Singulär-Wert-Zerlegung
  • Methoden der Reduktion
    • Orthogonale Zerlegung
    • Clustering
    • Zentrale Voronoi Tessellation
    • Fast Fourier Transformationen
    • Neuronale Netze
    • Support Vektor Maschinen
    • Dynamische Mode-Dekomposition
  • Anwendung des ROM-Modells als Ersatzmodell
    • Optimierung
    • Verlässlichkeit und Robustheit
    • Entropie und Komplexität
  • Beispiele
    • Crash Balken
    • Schlittenversuch

Referenten

Dr. Kambiz Kayvantash
CADLM

Kayvantash Dr. Kambiz Kayvantash promovierte an der Universität GHS Essen, Deutschland, und erwarb einen Executive MBA an der HEC, Paris, Frankreich. Er war in verschiedenen technischen und leitenden Positionen sowohl in der Wissenschaft als auch in der Industrie tätig (Universität Essen, MECALOG, ALTAIR, Cranfield University/Cranfield Impact Centre, CIVITEC, CADLM/ École spéciale des travaux publics). Derzeit ist er CTO von CADLM und entwickelt auf künstlicher Intelligenz basierende Lösungen für prädiktive Echtzeit-Industrieanwendungen wie autonome Fahrzeuge, Crash und Sicherheit, Gesundheit.

Termine & Orte

Keine Termine vorhanden

Inhouse Kurs

Dieses Seminar können Sie auch als Inhouse Seminar buchen. Dann kommt der Trainer zu Ihnen ins Haus - Sie sparen Reisekosten und Reisezeiten. Schon ab 4 Teilnehmern aus Ihrem Unternehmen. Fordern Sie unverbindlich ein Angebot an.

Ihr Ansprechparter

Dr. Dirk Ulrich
Tel.: 06023 - 96 40 - 66
E-Mail: dirk.ulrich@carhs.de

Jetzt anfragen!

Alle Preise verstehen sich zzgl. der gesetzlichen MwSt.