KI-gestützte Systemmodellierung

XRG bietet Lösungen für transparente und zuverlässige KI-Anwendungen im Ingenieurwesen. Die Integration von aktueller KI-Forschung in unsere umfassende Modellierungskompetenz führt zur Entwicklung von „physikgestützten KI-Diensten und Hybridmodellen“. Durch die Nutzung von Messdaten können Sie die Genauigkeit der Modelle verbessern oder KI-gestützte Surrogate einsetzen, um Ihre Simulationsstudien und modellbasierten Optimierungen zu beschleunigen.

 

XRG Simulation verbindet die Komplexität der Physik mit vor Ort gespeicherten Daten und gewährleistet so zuverlässige Simulationsergebnisse. Unser modularer Hybridansatz verfolgt die Konsistenz zwischen Simulationsszenario und dem Gültigkeitsbereich von Trainingsdaten. Wir begleiten Sie bei der Umsetzung Ihrer Anforderungen von der Datenanalyse bis zur Entwicklung maßgeschneiderter hybrider digitaler Zwillinge.

Optimierungspotenzial für unendlich viele Anwendungen und Branchen

Die hybride und Surrogat Modellierung kann überall genutzt werden, wo sich Messdaten von existierenden physikalischen Systemen befinden. Dazu gehören:

  • Fertigungsprozesse und -maschinen
  • Energiesysteme (Kraftwerke)
  • Mechanische Systeme
  • Transportsysteme aller Art (Fahrzeuge, Luftfahrzeuge, Schiffe)
  • Elektromagnetische Systeme
  • Gebäude und Gebäudeautomation
  • HVAC-Systeme
  • Kühl- und Heizsysteme
  • Antriebstechnik
  • Chemische Prozesse, Reaktionen und Verfahrenstechnik
  • Fluid- und Hydrauliksysteme
  • Verfahrenstechnik
  • Biotechnik, Biologie
  • Medizintechnik
  • Medizinische Diagnosen
  • Konsumgüter (Eigenschaften von Produkten im Allgemeinen)
  • Natürliche Prozesse (physikalische Prozesse) aller Art
  • Siehe auch hier: Kraftwerk, Gebäudemodell, Bremssystem
  • …

Hybridmodelle – kombinieren Physik und Daten für noch genauere Modelle

Wir entwickeln für Ihren Bedarf transparente, modulare und anpassungsfähige Hybridmodelle auf Basis bewährter Modellbibliotheken:

  • Nutzen Sie Erkenntnisse aus Ihren Daten direkt in Ihrer Simulation
  • Schnellere Modellentwicklung und -kalibrierung
  • Detaillierte Komponenteninformationen bereits auf Systemebene
  • Erfassen Sie „schwer zu modellierende“ Eigenschaften in Ihrem Systemmodell durch reale Messdaten
  • Kombinieren Sie bei Bedarf physikalische Gleichungen mit datengesteuerten KI-Modellen, sofern verfügbar, für realistischere Hybridmodelle
  • Stellen Sie die Vorhersagegenauigkeit Ihrer Modelle für Ihre gesamte Simulationskampagne sicher, indem Sie die Gültigkeitsbereiche der Trainingsdaten verfolgen
  • Vermeiden Sie übermäßiges erneutes Training von KI-Teilen durch modulares Design und dimensionslose Eingangsgrößen
  • Passen Sie den Hybridisierungsgrad basierend auf den verfügbaren Daten und Simulationsanforderungen an: Fügen Sie physikalische Gleichungen hinzu, um die Einhaltung der Datengültigkeit sicherzustellen
  • Koordinieren Sie datengesteuerte KI-gleichungsbasierte Modellteile direkt aus Modelica mit der XRG SMArtInt+-Library
  • Stellen Sie Ihr KI-Modell in anderen Tools als FMU zur Verfügung

Surrogatmodelle - KI-basierte Surrogate für umfangreiche Simulationsstudien

Wir machen die Informationen großer, detaillierter Systemmodelle für Studien zugänglich, die mehrere Simulationsläufe erfordern:

  • Beschleunigen Sie Ihre Systemmodelle, indem Sie numerisch aufwendige Komponenten durch datenbasierte Surrogate ersetzen
  • Generieren Sie Echtzeit-fähige Surrogatmodelle Ihres gesamten Systems
  • Nutzen Sie generative KI für die globale modellbasierte Optimierung
  • Kalibrieren Sie Ihre Modelle anhand von Daten mit Unsicherheitsinformationen
  • Automatisierte Generierung von Trainingsdaten mit DOE basierend auf verschiedenen Stichprobenverfahren entsprechend den Modellanforderungen
  • Lernen Sie Modellparameterabhängigkeiten mit KI-Surrogaten und führen Sie Echtzeit-Parametersweeps und globale Optimierungen durch
  • Erstellen Sie globale Surrogate zur Modellordnungsreduktion mit KI
  • Automatisiertes Training verschiedener Architekturen für unterschiedliche technische Anwendungen: von einfachen FFNN (Feed Forward Neural Networks), RNN (Recurrent Neural Networks) bis hin zu NODE (Neural ODE), PeNODE (Physics Enhanced Neural ODE) und BNODE (Balanced Neural ODE)
  • Nahtlose Modelica-Integration und FMU-Export mit der XRG-Library SMArtInt+