PHYMOS - Proper Hybrid Models for Smarter Vehicles
Das Fahrzeug der Zukunft ist „smart“. Mit zunehmender Selbstverständlichkeit wird erwartet, dass ein Fahrzeug auf Veränderungen in seiner Umgebung flexibel reagieren und selbstständig Entscheidungen fällen kann, um sich optimal an verändernde Randbedingungen anzupassen. Dies bedeutet ein hohes Maß an „self-awareness“, also die Fähigkeit die Auswirkung des eigenen Verhaltens in der Interaktion mit der Umgebung zu prädizieren.
Derartige Modelle seiner selbst und der Umgebung schnell, kosteneffizient und in Abwägung von Fidelity und Performanz erstellen zu können ist eine Schlüsselkompetenz. Klassische modellbasierte Ansätze sind häufig mit hohen Entwicklungsaufwänden verbunden. Fortschritte im Bereich der künstlichen Intelligenz eröffnen neue Optionen sind aber datenintensiv und bergen andere Risiken.
In diesem Projekt sollen hybride (daten- und physikbasierte) Ansätze in konkreten Anwendungen evaluiert werden, um unter Nutzung von vorhandenem physikalischem Vorwissen in dateneffizienter Weise skalierbare „Proper Models“ generieren zu können. Dies wird es zukünftig ermöglichen innovative Produkteigenschaften in wesentlich kürzerer Zeit zu entwickeln und im Fahrzeug zu realisieren.
Echtzeitfähiges Modell einer Strahlpumpe
Symbolic Regression to replace non-linear loops
Nichtlinearen Gleichungssystemen mit Machine Learning Ersetzen
Präsentation auf dem 17. MODPROD Workshop 2023
E-Graphs für symbolische Vereinfachung
Status des neuen Backends
Kalibrierung komplexer Systemmodelle mit Deep Learning
Sensitivitätsgeleitete iterative Parameteridentifizierung und Datengenerierung mit BayesFlow und PELS-VAE für die Modellkalibrierung
MEMS schwimmen in BayesFlow
Schnelle, präzise und zuverlässige Parameteridentifikation bei MEMS-End-of-Line-Tests mit BayesFlow
Trainieren eines neuronalen Netzwerks basierend auf detailliertem Modell
Hybrid physical-AI based system modeling and simulation approach demonstrated on an automotive fuel cell
Workflow zum Ersetzen algebraischer Schleifen präsentiert
Replacing Strong Components with Artificial Neural Network Surrogates in an Open-Source Modelica Compiler
PHyMoS Kick-Off
Das Projekt wurde im März 2021 gestartet und nun stehen drei Jahre zur verfügung um daran zu arbeiten.