Modellierung der Modelldiskrepanz für ein strukturdynamisches System mit Methoden des Machine Learning

Masterthesis, Bachelorthesis

Am Fachgebiet Systemzuverlässigkeit, Adaptronik und Maschinenakustik SAM werden Methoden erforscht, um die Zuverlässigkeit komplexer Systeme des Maschinenbaus zu bewerten und die Unsicherheit zu beherrschen. In der virtuellen Produktentwicklung spielt Unsicherheit für die Vorhersagegenauigkeit von Modellen eine immer wichtigere Rolle. Je genauer ein Modell, desto besser können die Eigenschaften eines Systems (wie z. B. die Schwingungen an einem Fahrzeug) schon früh im Entwicklungsprozess abgeschätzt und optimiert werden.

Da Modelle nur eine Abbildung der Realität sind, enthalten sie immer einen Modellfehler. Zur Beurteilung der Modellgüte kann dieser z. B. durch eine Diskrepanzfunktion ausgedrückt werden, mit der die Differenz zwischen Simulationsergebnissen und experimentellen Messwerten quantifiziert wird. Ein in der Literatur oft verfolgter Ansatz besteht darin, die Diskrepanzfunktion mithilfe von Gauss-Prozessen (GP) zu modellieren. Deren Konfidenzintervalle können zur Quantifizierung des Modellfehlers verwendet werden.

Ein vielversprechender neuer Ansatz besteht in der Modellierung der Diskrepanzfunktion mittels Deep Gaussian Processes, bei dem in Analogie zum ‚Deep Learning‘ Gauss- Prozesse rekursiv verwendet werden. Dieser Ansatz soll in der Studienarbeit verfolgt werden. Als Grundlage dient ein experimenteller Demonstrator, der in Anlehnung an die Anforderungen eines Flugzeugtragwerks konstruiert wurde. Sowohl erste Messdaten als auch ein Zweimassenschwinger-Modell für den Demonstrator sind bereits vorhanden. Eine Veröffentlichung der Ergebnisse ist geplant.