Disruptiv durch KI
Simulation ist ein bewährtes Mittel, um technische Herausforderungen effizient und sicher zu lösen. Durch Verschmelzen von Physik und IT erzielen wir Skaleneffekte, die jede Disziplin für sich nicht erreichen kann. Das ist unsere Kernkompetenz, die wir gerne mit teilen möchten - das ist Digital Physics AI.
Mit Machine Learning und Simulation des digitalen Zwillings unterstützen wir unsere Kunden seit Jahren gezielt bei der Lösung von Engineering-Aufgaben. Im Bereich der mechanischen Simulation (Finite Elemente Methode) oder auch der Strömungssimulation (Computational Fluid Dynamics) sind wir zu Hause.
Wir unterstützen bei der Problemdefinition, Modellbildung und Simulationsdurchführung. Anschließend führen wir durch die Datenanalyse und entwickeln ein individuelles KI-Modell für jede Aufgabenstellung. Die Umsetzung des Projektes erfolgt stufenweise und im kontinuierlichen Dialog. Damit können wir sicherstellen, dass wir gemeinsam schneller und effizienter zu Ergebnissen kommen, als dies in traditionellen Modellen der Fall ist.
​
01
Problem Definition
Für den ersten Schritt können bereits eigene Simulationsmodelle, Daten aus Versuchsreihen oder auch nur eine Problemstellung mitgebracht werden. Unsere Mitarbeiter unterstützen dabei, eine solide initiale Datenbasis zu schaffen.
Unsere Vorgehensweise ist hierfür:
-
Problem definieren
-
Modell bilden
-
Simulation (FEM oder CFD) durchführen
-
Datenmatrix erstellen
02
Training der KI
Datengenerierung aus Testreihen oder Simulation ist erst der Anfang. Die erzeugte Datenmatrix bildet die Grundlage für maschinelles Lernen. Wir trainieren damit unser hauseigenes KI-Tool, um Vorhersagen zu beschleunigen und zu präzisieren. Nicht jede Parameterkombination muss simuliert oder getestet werden, denn unser Modell kann das System schneller beschreiben und so die Effizienz steigern.
Dazu gehen wir wie folgt vor:
-
Trainingsdaten aufbereiten
-
KI-Modell wählen
-
Maschine Learning durchführen
03
Präzisierung
Das Finden lokaler oder globaler Extrema erfordert bei der numerischen Simulation viel Aufwand. Dank unseres KI-Modells sind weniger Simulationsdurchläufe nötig, um diese zu identifizieren. Einem Abgleich von KI-basierter Vorhersage und numerisch errechnetem oder physikalisch gemessenem Wert, folgt eine Optimierung der KI-Struktur. So können auch Datenlücken identifiziert und geschlossen werden.
Unsere Schritte sind:
-
Datenlücken identifizieren und schließen
-
Relevante Einflüsse quantifizieren
-
Vorhersagegenauigkeit erhöhen
04
Vorhersage
Unser validiertes und optimiertes KI-Modell kann jetzt nicht nur zur Vorhersage von Ergebnissen, sondern auch zur Ermittlung von Input-Parametern für ein gewünschtes Endergebnis herangezogen werden. Selbstverständlich bereiten wir die Ergebnisse auf und interpretieren diese. Wir liefern optimierte Parameter oder zeigen Zusammenhänge im Umgang mit der Problemstellung auf.
Kurzgefasst gehen wir wie folgt vor:
-
KI-Vorhersage ausführen
-
Vorhersagen aufbereiten und interpretieren
-
Zusammenhänge aufzeigen