In diesem Paper wird ein Ansatz zum Trainieren eines neuronalen Netzwerkmodells vorgestellt, das auf einem detaillierten physikalischen Modelica-Modell basiert. Die notwendigen Schritte zur Generierung von Trainingsdaten aus der Simulation werden ebenso erläutert wie der Generierungsprozess eines KI-basierten Ersatzmodells. Es wird gezeigt, wie das Ersatzmodell wieder in das Modelica-Systemmodell integriert wird. Es wird ein Benchmark hinsichtlich Genauigkeit und Simulationszeit durchgeführt. Die verwendeten Werkzeuge sind dabei Modelon Impact, eine Online-Modellierungs- und Simulationsplattform sowie die TensorFlow/Keras-Toolbox in Python. Der Workflow basiert auf einem Jupyter Notebook, welches die Simulation von Modelica Modellen, die Datenaufbereitung sowie die Generierung des neuronalen Netzmodells erlaubt. Der Re-Import in die Simulationsplattform erfolgt mit Hilfe der Modelica Neural Network Library. Der Ansatz wird an einem automobilen Brennstoffzellenmodell demonstriert, das Teil eines Gesamtfahrzeugsystemmodells ist. Eine mögliche Anwendung besteht darin, das neuronale Netz durch wiederholte Simulationen zu trainieren und anschließend als eingebettete Softwarekomponente zur effizienten Abschätzung von Kraftstoffverbrauch und Reichweite für verschiedene Fahrzyklen und Umgebungsbedingungen wiederzuverwenden.
Publikation: Proceedings of Asian Modelica Conference 2022
Konferenz: Asian Modelica Conference 2022