Die aktuellen Forschungsarbeiten des IMCS in diesem Bereich konzentrieren sich auf Methoden für hybride digitale Zwillinge und Physik-informierte neuronale Netze.
Hybride digitale Zwillinge
Die Analyse, Steuerung und Optimierung komplexer technischer Systeme, wie z.B. Komponenten unserer kritischen Infrastruktur, erfordert ein enges Zusammenspiel von physikalisch basierter Modellierung und Simulation (z.B. FEM) sowie datenbasierten Techniken (z.B. ML), die verfügbare Sensorinformationen auswerten. Am IMCS wollen wir ein neues Forschungsparadigma vorantreiben, das wir als "hybrides digitales Twinning" bezeichnen und das die Vorteile sowohl der klassischen Modellierung und Simulation als auch der technischen Daten nutzt. Auf diese Weise können die offensichtlichen Einschränkungen der physikalischen Modellierung und Simulation (z.B. Modellkomplexität, Rechenkosten) und des klassischen maschinellen Lernens (z.B. Datenknappheit, Sensorplatzierung) überwunden werden, um das Beste aus zwei Welten zu vereinen. Der Schwerpunkt unserer aktuellen Forschung liegt auf der Entwicklung hybrider digitaler Zwillinge für kritische Infrastrukturen (z.B. Brücken, Wassernetze) im Rahmen des dtec.bw-Projekts RISK.twin, das vom IMCS geleitet wird. Methodisch reichern wir unsere langjährige Expertise in der Modellierung und Simulation mit Modellreduktionstechniken, datengetriebener Simulation und (physik-informiertem) maschinellem Lernen an, um verschiedenen Stakeholdern, die sich mit kritischen Infrastrukturen beschäftigen, wie Behörden und Organisationen mit Sicherheitsaufgaben, Energieversorgern und dem Transportsektor, eine integrierte Softwarelösung anzubieten.
Ansprechpartner am IMCS
Publikation
- von Danwitz M, Kochmann T, Sahin T, Wimmer J, Braml T, Popp A (2023): Hybrid Digital Twins:
A Proof of Concept for Reinforced Concrete Beams. Proceedings in Applied Mathematics and Mechanics, 22(1): e202200146, DOI (Open Access)
Aktuelle Projekte
Physik-infomierte neuronale Netze
Physik-informierte neuronale Netze (PINNs) können genutzt werden, um die Lösung einer partiellen Differentialgleichung anzunähern. Damit sind PINNs eine Alternative zu klassischen Netz-basierten Methoden wie Finiten Differenzen oder Finiten Elementen (FEM).
Neben diesem Vorwärtsproblem können PINNs auch verwendet werden, um inverse Probleme zu lösen. Zum Beispiel können unbekannte Modellparameter identifiziert werden, indem verfügbare Daten mit dem mathematischen Model des physikalischen Problems in der Zielfunktion des neuronalen Netzes kombiniert werden.
Der Forschungsbereich wird im Rahmen des dtec.bw Projekts RISK.twin aufgebaut.