Die Kalibrierung komplexer Systemmodelle mit einer großen Anzahl von Parametern mit Hilfe von Standard-Optimierungsmethoden ist oft extrem zeitaufwändig und nicht vollständig automatisiert, da man auf umfassendes Expertenwissen angewiesen ist. Wir schlagen einen sensitivitätsgesteuerten iterativen Algorithmus zur Parameteridentifikation und Datengenerierung vor. Die Sensitivitätsanalyse ersetzt manuelle Eingriffe, die Parameteridentifikation wird durch BayesFlow realisiert, was eine Quantifizierung der Unsicherheit ermöglicht, und die Datengenerierung mit dem Physics-Enhanced Latent Space Variational Autoencoder (PELS-VAE) zwischen zwei Iterationsschritten ermöglicht die Inferenz von schwach identifizierbaren Parametern. Ein vollständiges Kalibrierungsexperiment wurde an einem thermischen Modell einer Fahrzeugkabine durchgeführt. Die durchschnittliche relative Fehlerrate über alle Parameterschätzungen von 1,62 % und der mittlere absolute Fehler der kalibrierten Modellausgaben von 0,108 °C bestätigen die Durchführbarkeit und Wirksamkeit der Methode. Darüber hinaus beschleunigt sich das gesamte Verfahren auf bis zu einen Tag, während die klassische Kalibrierungsmethode mehr als eine Woche dauert.
Publikation: Advanced Modeling and Simulation in Engineering Sciences