Machine Learning und Artificial Intelligence in der Strömungsmechanik und der Strukturanalyse

Grundlagen, Potenzial für den industriellen Einsatz, Anwendungen

16. - 17. Mai 2022, Hotel Oranien, Wiesbaden

+ + + Vortragsprogramm veröffentlicht (siehe unten) + + +

Die numerische Simulation hat sich über die vergangenen Jahrzehnte als wichtiges Werkzeug in der Produktentwicklung etabliert. Die Anforderungen und Wünsche an die Simulationsmodelle hinsichtlich physikalischer Mechanismen (Mehrphasenströmungen, Kopplung unterschiedlicher Phänomene, z. B. elektro-magnetischer Felder, strukturmechanischer Anregungen, hochfrequenter Schwingungen) sowie Größe der Probleme führen zu hohen Rechenzeiten.

Auch auf dem Gebiet strömungs- und strukturmechanischer Probleme wird heute auf Ansätze mit Artificial Intelligence (AI) und Machine Learning (ML) gesetzt. Dies zeigt sich u. a. an der Anzahl der Veröffentlichungen, die in den letzten 10 Jahren stetig steigend sind. Die Anwendungsgebiete reichen dabei von Optimierungsaufgaben in multidimensionalen Parameterräumen, von der Auswertung der Daten aus Simulation und Messung aus Strukturbeanspruchungen über die Beschleunigung von hochauflösenden Turbulenzmodellen, bis hin zur Beschreibung mehrphasiger Strömungen.

Im Rahmen dieses Seminars werden Anwendungsgebiete, Möglichkeiten und Grenzen des Einsatzes von ML- und AI-Methoden in numerischen Simulationsanwendungen, insbesondere im industriellen Einsatz, in unterschiedlichen Branchen und Unternehmensgrößen diskutiert.

Wir freuen uns auf Ihre Anmeldung.

NAFEMS DACH CFD Advisory Board / NAFEMS DACH Steering Committee

Vortragsprogramm*

Montag, 16. Mai 2022

13:30
Begrüßung und technische Einführung
Mitglieder des NAFEMS CFD Advisory Boards

13:45
Maschinelles Lernen in der virtuellen Produktentwicklung
C. Woll, M. Rajput (GNS Systems)

14:15
Vergleich parametrisierter und parameterfreier KI-Modelle für industrielle Entwicklungsprozesse
M. Bauer (Navasto)

14:45
Gaußkovarianznetzwerke zur stichprobeneffizienten Regression hochdimensionaler Simulationsergebnisse
N. Friedlich, D. Roos (Hochschule Niederrhein)

15:15
Pause

16:00
Kriging-basierte Surrogat-Modellierung zur Unsicherheitsbewertung beim Datenmapping in integrierten CAE-Prozessketten
M. Meyer, A. Oeckerath, H. Marvast, R. Becker (Fraunhofer SCAI)

16:30
Bewertung von Methoden des Maschinellen Lernens für die Vorhersage von Durchbruchkurven
D. Fokina, O. Iliev, P. Toktaliev (Fraunhofer ITWM); I. Oseledets (Skoltech); F. Schindler (Universität Münster)

17:00
Identifikation von Reinigungsmechanismen mittels Methoden des maschinellen Lernens
C. Golla (TU Dresden)

17:30
Gold-Sponsor Präsentation: GNS Systems

17:40
Get together - Getränke und Snacks in der Ausstellung

Dienstag, 17. Mai 2022

08:30
Generierung von Entwürfen zur lokalen Steifigkeitserhöhung crashbelasteter Extrusionsprofile durch Reinforcement Learning
J. Trilling, A. Schumacher (Bergische Universität Wuppertal); M. Zhou (Altair Engineering)

09:00
Understanding Scatter and its Origins within Crash Simulation Results
D. Borsotto, S. Mertler, C. Thole (Sidact)

09:30
Physics Informed Neural Networks als multidimensionale Metamodelle von CFD Simulationen
J. Harmening, F.Pioch (Westfälische Hochschule); D. Schramm (Universität Duisburg-Essen)

10:00
Pause

10:30
Überführen von CFD-Ergebnissen in ML-Modelle
G. Klepp (IFE Technische Hochschule Ostwestfalen-Lippe)

11:00
Kundenadaptierte KI-Lösungen zur optimalen Ausnutzung vorhandener Simulations- / Versuchsreihen
A. Gutierrez, P. Wittlinger, C. Rockel, A. Schuck (CFD Schuck Ingenieurgesellschaft)

11:30
Ein Surrogat-Ansatz zur schnellen Berechnung der Partikelabscheidung auf einer Einzelfaser mit Hilfe von CFD und Machine Learning
A. Zargaran, C. Voss, U. Janoske (Bergische Universität Wuppertal)

12:00
Morpheus AI. Surrogate toolbox zur Designprozess-Beschleunigung
B. Nouri (Siemens Energy Global)

12:30
Mittagspause

13:30
Shape-Feature Ansatz zur lokal präzisen Vorhersage von CFD Simulationen
D. Steffes-lai, R. Iza-Teran, C. Gscheidle (Fraunhofer SCAI)

14:00
Portieren eines komplexen Brennstoffzellen-Stack-Modells auf einen HiL-Prüfstand zur Unterstützung der Steuergeräteentwicklung unter Einsatz natürlicher und künstlicher Intelligenz
S. Schmidt (MicroNova); H. Tielbörger (Siemens Digital Industries Software)

14:30
Entwicklung eines GAN-Modells zur Vorhersage der Dynamik eines haftenden Tropfens in einer Scherströmung
A. Esmaeil, A. Zargaran, U. Janoske (Bergische Universität Wuppertal)

15:00
Wrap-up/Diskussion
Mitglieder des NAFEMS CFD Advisory Boards

ca. 15:15
Ende der Veranstaltung

* Vorläufiges Vortragsprogramm. Änderungen vorbehalten.