Machine Learning im Engineering

Adaptive Stichprobenwahl bedeutet, dass neue Simulations- oder Versuchspunkte abhängig von bisherigen Ergebnissen ausgewählt werden. Das Modell entscheidet also nicht nur vorab, sondern lernt während des Prozesses, wo weitere Daten besonders wertvoll sind. Häufig werden Punkte in Bereichen hoher Unsicherheit, starker Nichtlinearität oder nahe eines Optimums ergänzt. Dadurch können Surrogatmodelle mit weniger teuren CFD-, FEM- oder Prüfstandspunkten genauer werden.

Aktives Lernen ist ein Machine-Learning-Ansatz, bei dem das Modell gezielt nach den informativsten neuen Datenpunkten fragt. Im Engineering bedeutet das z.B., dass weitere Simulationen dort durchgeführt werden, wo die Modellunsicherheit hoch oder die technische Entscheidung besonders wichtig ist. Dadurch können Daten effizienter erzeugt werden als durch starre Versuchspläne. Aktives Lernen ist besonders interessant, wenn einzelne Simulationen teuer sind und jeder zusätzliche Datenpunkt begründet sein muss.

Ein Antwortflächenmodell ist ein Surrogatmodell, das eine technische Zielgröße als Funktion mehrerer Eingangsparameter beschreibt. Es wird häufig für DoE-Auswertungen, Optimierung und Variantenvergleiche verwendet. Beispiele sind Luftwiderstand über Fahrzeughöhe und Gierwinkel oder Druckverlust über Volumenstrom und Geometrieparameter. Die Modellgüte hängt stark von der Auswahl der Stützstellen und der verwendeten Ansatzfunktion ab.

Eine Ausgangsgröße ist das Ergebnis, das ein Modell berechnet oder vorhersagt. Im Engineering können das z.B. Luftwiderstand, Druckverlust, Temperatur, Wirkungsgrad, Spannung, Massenstrom oder Bauteillebensdauer sein. Ausgangsgrößen können einzelne Kennwerte oder komplette Felder sein. Eine klare Definition der Ausgangsgröße ist wichtig, damit Training, Validierung und technische Interpretation eindeutig sind.

Automatisierte Bauteiloptimierung verbindet parametrische Geometrie, Simulation, Auswertung und Optimierungsalgorithmus zu einem durchgängigen Workflow. Dadurch können viele Bauteilvarianten systematisch untersucht und verbessert werden. Typische Ziele sind geringerer Druckverlust, bessere Kühlung, weniger Luftwiderstand, geringere Masse oder höhere strukturelle Robustheit. Entscheidend ist, dass der Workflow robuste Geometrien erzeugt, fehlerhafte Simulationen erkennt und vorgeschlagene Optima mit hochwertigen Referenzrechnungen oder Messdaten absichert.

Ein automatisierter Simulationsworkflow verknüpft Geometrieerzeugung, Vernetzung, Solverlauf, Auswertung und Datenablage zu einem wiederholbaren Prozess. Er reduziert manuelle Arbeit und macht Variantenstudien, DoE und Optimierung erst effizient möglich. Wichtig sind robuste Schnittstellen, Fehlerbehandlung, Versionskontrolle und nachvollziehbare Ergebnisdaten. Ohne Automatisierung sind große Parameterstudien in CFD und CAE oft zu langsam und fehleranfällig.

Batch-Simulation bezeichnet das automatische Berechnen vieler Simulationsfälle nacheinander oder parallel. Jeder Fall hat definierte Eingaben, Randbedingungen und Auswertungsschritte. Batch-Simulation ist wichtig für DoE, Kennfelderzeugung, Sensitivitätsanalysen und Trainingsdaten für Machine Learning. Entscheidend sind stabile Rechenläufe, klare Datenstruktur und automatische Erkennung fehlerhafter Fälle.

Bayessche Optimierung nutzt ein probabilistisches Ersatzmodell, um teure Funktionsauswertungen möglichst effizient auszuwählen. Sie ist besonders interessant, wenn jede CFD-, FEM- oder Prüfstandsrechnung viel Zeit kostet. Das Verfahren balanciert die Suche in vielversprechenden Bereichen und die Erkundung unsicherer Bereiche. In Engineering-Anwendungen kann Bayessche Optimierung mit Gauß-Prozessen, Kriging oder anderen Surrogatmodellen kombiniert werden.

Bayessche Optimierung nutzt ein probabilistisches Ersatzmodell, um neue Auswertungspunkte möglichst effizient auszuwählen. Sie ist besonders geeignet, wenn jede Simulation teuer ist und nur wenige echte Funktionsauswertungen möglich sind. Ein genetischer Algorithmus arbeitet evolutionär mit Population, Auswahl, Kreuzung und Mutation. Er ist robust für komplexe, nichtlineare, diskrete oder schwer differenzierbare Designräume. Bayessche Optimierung nutzt Modellunsicherheit, um Exploration und Ausnutzung zu balancieren. Genetische Algorithmen benötigen oft mehr Funktionsauswertungen, sind dafür aber einfach auf sehr unterschiedliche Problemtypen anwendbar. Für CFD-Optimierung mit teuren Läufen ist Bayessche Optimierung oft effizienter. Für große, gemischte oder stark eingeschränkte Suchräume kann ein genetischer Algorithmus pragmatischer sein, besonders wenn Surrogatmodelle oder Parallelisierung genutzt werden.

Das Bestimmtheitsmaß R² beschreibt, welcher Anteil der Streuung einer Zielgröße durch ein Modell erklärt wird. Ein Wert nahe 1 deutet auf eine gute Anpassung an die Referenzdaten hin, ein Wert nahe 0 auf geringe Erklärungskraft. Im Engineering ist R² hilfreich für Regressionsmodelle und Surrogatmodelle, reicht allein aber nicht zur Modellbewertung aus. Ein hohes R² kann trotzdem schlechte Extrapolation, lokale Fehler oder physikalisch falsche Trends verdecken.

CAD-CFD-Kopplung beschreibt die Verbindung zwischen parametrischem CAD-Modell und CFD-Simulation. Änderungen an Geometrieparametern können dadurch automatisch in neue CFD-Varianten überführt werden. Das ist besonders wichtig für Formoptimierung, Kanaldesign, Aerodynamik, Kühlung und automatisierte Variantenstudien. Eine stabile CAD-CFD-Kopplung braucht saubere Parametrik, robuste Geometrieaufbereitung und verlässliche Vernetzung.

CFD-Automatisierung überträgt wiederkehrende CFD-Prozesse in robuste, skriptbare oder workflowbasierte Abläufe. Typische Schritte sind CAD-Import, Geometriebereinigung, Vernetzung, Randbedingungen, Solverstart und automatisiertes Postprocessing. Sie ist entscheidend für DoE, Optimierung, Surrogatmodellierung und schnelle Designexploration. Die Herausforderung liegt darin, den Prozess auch bei wechselnden Geometrien stabil zu halten.

Datengetriebene Modellierung erstellt ein Modell hauptsächlich aus vorhandenen Daten statt aus explizit formulierten physikalischen Gleichungen. Die Daten können aus Simulationen, Messungen, Prüfständen, Fahrzeugbetrieb oder Versuchsplänen stammen. Solche Modelle sind oft schnell und können komplexe Zusammenhänge approximieren, solange der Anwendungsbereich gut durch Trainingsdaten abgedeckt ist. Außerhalb des Datenbereichs ist Vorsicht nötig, weil datengetriebene Modelle dort physikalisch falsche Vorhersagen machen können.

Ein datengetriebenes Modell lernt Zusammenhänge direkt aus vorhandenen Daten. Die Daten können aus CFD, FEM, Prüfstand, Fahrzeugmessung, Betrieb oder DoE stammen. Ein physikbasiertes Modell nutzt dagegen Erhaltungsgleichungen, Materialgesetze, Fluidmechanik, Thermodynamik oder Strukturmechanik. Datengetriebene Modelle sind oft schnell und können komplexe Muster approximieren, wenn der Datenraum gut abgedeckt ist. Physikbasierte Modelle sind meist besser erklärbar und oft robuster bei neuen Betriebspunkten, solange die relevanten Mechanismen richtig modelliert sind. Der Schwachpunkt datengetriebener Modelle ist Extrapolation außerhalb der Trainingsdaten. Der Schwachpunkt physikbasierter Modelle ist häufig der höhere Modellierungs- und Rechenaufwand. In der Produktentwicklung ist die beste Lösung oft nicht entweder datengetrieben oder physikbasiert, sondern eine gezielte Kombination beider Ansätze.

Datenqualität beschreibt, wie zuverlässig, konsistent, vollständig und technisch sinnvoll die verwendeten Daten sind. Schlechte Datenqualität entsteht z.B. durch Messrauschen, fehlerhafte Simulationen, uneinheitliche Randbedingungen, Ausreißer, falsche Einheiten oder unvollständige Metadaten. Für Machine Learning im Engineering ist Datenqualität oft wichtiger als die Wahl des Algorithmus. Nur mit sauberen und repräsentativen Daten kann ein Modell robuste technische Vorhersagen liefern.

Datenvorverarbeitung umfasst alle Schritte, mit denen Rohdaten für Machine Learning nutzbar gemacht werden. Dazu gehören Bereinigung, Skalierung, Normalisierung, Ausreißerprüfung, Einheitenabgleich, Umgang mit fehlenden Werten und Zusammenführung verschiedener Datenquellen. Im Engineering ist Datenvorverarbeitung besonders wichtig, weil Simulations- und Messdaten oft unterschiedliche Formate, Rauschen oder Randbedingungen besitzen. Schlechte Datenvorverarbeitung führt häufig zu schlechten Modellen, selbst wenn der Algorithmus leistungsfähig ist.

Deep Learning bezeichnet Machine Learning mit tiefen neuronalen Netzen. Es ist besonders stark bei großen Datenmengen, komplexen Mustern und hochdimensionalen Eingangsdaten. Im Engineering kann Deep Learning für Bildverarbeitung, Anomalieerkennung, Feldvorhersage, Surrogatmodelle und automatische Auswertung eingesetzt werden. Der technische Nutzen hängt stark davon ab, ob genügend repräsentative Daten und klare Validierungsmetriken vorhanden sind.

Design Exploration beschreibt das systematische Untersuchen vieler Designvarianten. Ziel ist es, Zusammenhänge, Trends, Sensitivitäten und mögliche Optima im Designraum zu erkennen. Dafür werden häufig DoE, automatisierte Simulation, Surrogatmodelle und Visualisierung kombiniert. Im Engineering hilft Design Exploration, bessere Entscheidungen zu treffen, bevor teure Hardware gebaut oder Prüfstandszeit genutzt wird.

Design of Experiments, kurz DoE, ist eine methodische Planung von Simulationen oder Versuchen. Ziel ist es, mit möglichst wenigen Stützstellen möglichst viele Informationen über Einflussgrößen und Zielgrößen zu gewinnen. Im Engineering wird DoE häufig genutzt, um Surrogatmodelle aufzubauen, Sensitivitäten zu bewerten oder Optimierungen vorzubereiten. Ein guter Versuchsplan deckt den relevanten Parameterraum effizient ab und vermeidet unnötige Rechen- oder Prüfstandszeit.

Designoptimierung verbessert ein technisches Design durch gezielte Änderung von Designvariablen. Typische Beispiele sind Kanalgeometrien, Kühlplatten, Flügelwinkel, Saugrohrlängen, Bauteildicken oder Luftführungen. Ziel ist nicht nur ein einzelner besserer Wert, sondern eine technisch robuste Lösung mit guter Funktion, Fertigbarkeit und Absicherung. Häufig werden CFD, FEM, DoE, Surrogatmodelle und Optimierungsalgorithmen kombiniert.

Der Designraum ist der Teil des Parameterraums, in dem technisch zulässige Designvarianten liegen. Er berücksichtigt Grenzen durch Bauraum, Fertigung, Kosten, Material, Reglement, Funktion und Sicherheit. In Optimierungen wird innerhalb des Designraums nach guten oder optimalen Lösungen gesucht. Ein sauber definierter Designraum verhindert, dass ein Algorithmus rechnerisch attraktive, aber technisch unrealistische Varianten vorschlägt.

Eine Designvariable ist ein veränderbarer Parameter eines Designs oder Simulationsmodells. Beispiele sind Kanalbreite, Flügelwinkel, Kühlerfläche, Saugrohrlänge, Ventilsteuerzeit oder Bauteildicke. Designvariablen werden in DoE, Optimierung und Surrogatmodellierung gezielt variiert. Sie sollten so gewählt werden, dass sie technisch beeinflussbar sind und einen relevanten Einfluss auf die Zielgrößen besitzen.

Ein digitaler Zwilling ist ein digitales Modell eines realen Produkts, Systems oder Prozesses, das mit realen Daten gekoppelt werden kann. Im Engineering kann er Simulation, Messdaten, Betriebsdaten und Machine Learning verbinden, um Zustand, Verhalten oder zukünftige Entwicklung vorherzusagen. Typische Anwendungen sind Zustandsüberwachung, virtuelle Kalibrierung, vorausschauende Wartung und schnelle Variantenbewertung. Ein digitaler Zwilling ist nur dann belastbar, wenn Modellgrenzen, Datenqualität und Aktualisierung sauber beherrscht werden.

Ein Simulationsmodell ist ein digitales Modell, das ein technisches System unter definierten Randbedingungen berechnet. Ein digitaler Zwilling geht darüber hinaus, weil er mit realen Daten eines konkreten Produkts, Systems oder Prozesses gekoppelt werden kann. Ein CFD-, FEM- oder 1D-Modell kann also Bestandteil eines digitalen Zwillings sein, ist aber nicht automatisch ein digitaler Zwilling. Der digitale Zwilling kann Zustände aktualisieren, Betriebsdaten auswerten, Alterung berücksichtigen oder zukünftiges Verhalten prognostizieren. Ein reines Simulationsmodell bleibt meist stärker fallbezogen und wird manuell mit Eingaben versorgt. Der digitale Zwilling benötigt Datenanbindung, Modellpflege, Plausibilitätsprüfung und oft automatisierte Auswertung. Sein Nutzen entsteht besonders bei Zustandsüberwachung, virtueller Kalibrierung, vorausschauender Wartung und digitaler Produktentwicklung. Kurz gesagt: Das Simulationsmodell berechnet Verhalten, der digitale Zwilling verbindet Modell, reales System und laufende Daten.

DoE ist die Abkürzung für Design of Experiments und beschreibt die systematische Auswahl von Versuchspunkten oder Simulationspunkten. In CAE-Prozessen wird DoE genutzt, um viele Parameter gezielt zu variieren, statt Varianten zufällig oder rein manuell auszuwählen. Dadurch können Einflussgrößen, Wechselwirkungen und robuste Designbereiche sichtbar werden. DoE ist eine wichtige Grundlage für Surrogatmodelle, Antwortflächen und automatisierte Optimierung.

DoE steht für Design of Experiments und beschreibt die systematische Auswahl von Stützstellen im Parameterraum. Optimierung beschreibt die gezielte Suche nach besseren oder optimalen Lösungen. DoE ist vor allem explorativ: Es zeigt Zusammenhänge, Sensitivitäten, Wechselwirkungen und Datenabdeckung. Optimierung ist zielgerichteter: Sie versucht, eine Zielfunktion unter Nebenbedingungen zu verbessern. Ein gutes DoE ist häufig die Grundlage für ein belastbares Surrogatmodell. Dieses Surrogatmodell kann anschließend in einer Optimierung genutzt werden. Ohne DoE kann eine Optimierung in schlecht verstandenen Bereichen suchen oder wichtige Wechselwirkungen übersehen. Praktisch lautet die Reihenfolge oft: Designraum definieren, DoE rechnen, Modell aufbauen, Sensitivitäten prüfen und danach optimieren.

Einflussanalyse bewertet, welche Eingangsgrößen, Randbedingungen oder Designvariablen eine technische Zielgröße besonders stark verändern. Sie ist eng mit der Sensitivitätsanalyse verwandt, wird aber oft allgemeiner für Ursache-Wirkungs-Betrachtungen genutzt. Im Engineering kann sie z.B. zeigen, ob Druckverlust stärker von Kanalquerschnitt, Rauheit, Volumenstrom oder Temperatur abhängt. Eine gute Einflussanalyse unterstützt robuste technische Entscheidungen und vermeidet Optimierung an unwichtigen Parametern.

Ein Eingangsparameter ist eine Größe, die einem Modell als Eingabe übergeben wird. In Engineering-Modellen können das Geometrieparameter, Randbedingungen, Materialdaten, Betriebspunkte oder Regelgrößen sein. Eingangsparameter bestimmen, für welchen Fall das Modell eine Vorhersage berechnet. Für Surrogatmodelle ist wichtig, dass alle relevanten Eingangsparameter sauber definiert und mit sinnvollen Wertebereichen versehen werden.

Einzieloptimierung verbessert eine einzige Zielfunktion, z.B. minimalen Druckverlust oder minimalen cW-Wert. Mehrzieloptimierung betrachtet mehrere Ziele gleichzeitig, die häufig im Konflikt stehen. Typische Zielkonflikte sind Kühlleistung vs. Druckverlust, Abtrieb vs. Luftwiderstand oder Masse vs. Steifigkeit. Einzieloptimierung liefert meist eine eindeutige rechnerische Lösung, wenn Nebenbedingungen erfüllt sind. Mehrzieloptimierung liefert dagegen eine Menge von Kompromisslösungen, häufig als Pareto-Front. In realen Engineering-Projekten ist Mehrzieloptimierung oft realistischer, weil technische Systeme selten nur ein Ziel haben. Der Nachteil ist die aufwendigere Auswertung und Entscheidungsfindung. Der Vorteil ist Transparenz: Man sieht, welche Kompromisse technisch möglich und welche Designs eindeutig unterlegen sind.

Ein Entscheidungsbaum ist ein Modell, das Daten durch aufeinanderfolgende Wenn-Dann-Entscheidungen aufteilt. Er ist leicht verständlich und kann sowohl für Regression als auch für Klassifikation eingesetzt werden. Im Engineering ist er nützlich, um einfache Entscheidungsregeln oder Einflussgrößen sichtbar zu machen. Einzelne Entscheidungsbäume neigen jedoch zu Überanpassung und sind oft weniger robust als Verfahren wie Random Forest oder Gradient Boosting.

Ein Ersatzmodell ist die deutsche Bezeichnung für ein Surrogatmodell. Es bildet ein technisches Verhalten vereinfacht und schnell nach, ohne die vollständige Originalsimulation jedes Mal neu zu rechnen. Typische Anwendungen sind Aerodynamikkennfelder, Druckverlustmodelle, Wärmetauscherkennfelder, Bauteiloptimierung oder Systemsimulation. Ein gutes Ersatzmodell ist schnell, ausreichend genau und transparent bezüglich Trainingsdaten, Fehler und Gültigkeitsbereich.

Extrapolation bedeutet, dass ein Modell außerhalb des Daten- oder Parameterbereichs angewendet wird, auf dem es aufgebaut wurde. Das ist im Engineering besonders riskant, weil technische Zusammenhänge außerhalb des bekannten Bereichs stark nichtlinear oder physikalisch anders verlaufen können. Surrogatmodelle und Machine-Learning-Modelle sind bei Extrapolation oft deutlich weniger verlässlich als innerhalb des Trainingsbereichs. Extrapolierte Ergebnisse sollten daher immer mit physikalischem Verständnis, zusätzlicher Simulation oder Messdaten abgesichert werden.

Feature Engineering beschreibt das gezielte Erzeugen, Transformieren und Auswählen von Eingangsmerkmalen für ein Machine-Learning-Modell. Im Engineering können daraus dimensionslose Kennzahlen, Verhältniswerte, kombinierte Geometrieparameter oder physikalisch motivierte Ersatzgrößen entstehen. Ein gutes Feature kann die Modellgüte stärker verbessern als ein komplexerer Algorithmus. Feature Engineering ist besonders wertvoll, wenn technische Daten begrenzt sind und physikalisches Vorwissen genutzt werden kann.

Ein Fehlermaß beschreibt quantitativ, wie stark Modellvorhersagen von Referenzwerten abweichen. Beispiele sind mittlerer absoluter Fehler, mittlerer quadratischer Fehler, relativer Fehler oder maximaler Fehler. Die Wahl des Fehlermaßes beeinflusst, welche Modellfehler als kritisch gelten. Im Engineering sollte das Fehlermaß zur technischen Entscheidung passen, z.B. maximale Temperaturabweichung bei Sicherheitsfragen oder mittlerer Fehler bei Trendmodellen.

Formoptimierung verändert die äußere oder innere Form eines Bauteils, ohne die grundsätzliche Topologie vollständig zu ändern. In CFD-Projekten kann sie z.B. Radien, Querschnitte, Einlassformen, Diffusorwinkel, Leitbleche oder Kühlkanalverläufe optimieren. Der Vorteil ist, dass die resultierenden Geometrien oft näher an der bestehenden Konstruktion bleiben. Formoptimierung ist besonders nützlich, wenn Funktion verbessert werden soll, ohne Package, Fertigung oder Schnittstellen komplett neu aufzubauen.

Ein Gauß-Prozess ist ein probabilistisches Regressionsmodell, das Vorhersagen zusammen mit einer Unsicherheit liefert. Das ist im Engineering besonders nützlich, weil teure Simulationen gezielt dort ergänzt werden können, wo die Unsicherheit hoch ist. Gauß-Prozesse werden häufig für Surrogatmodelle, Bayesian Optimization und kleine bis mittlere Datensätze genutzt. Bei sehr großen Datensätzen oder sehr hoher Dimensionalität können sie jedoch rechnerisch aufwendig werden.

Ein Gauß-Prozess ist ein probabilistisches Regressionsmodell, das neben einer Vorhersage auch eine Unsicherheit liefert. Das ist besonders nützlich bei teuren Simulationen, weil zusätzliche CFD- oder FEM-Punkte gezielt in unsicheren Bereichen gesetzt werden können. Ein neuronales Netz ist flexibler und kann sehr komplexe nichtlineare Zusammenhänge mit vielen Eingangsgrößen lernen. Es benötigt aber meist mehr Daten und sorgfältige Regularisierung. Gauß-Prozesse sind stark bei kleinen bis mittleren Datensätzen und glatten Antwortflächen. Neuronale Netze sind stark bei großen Datensätzen, Felddaten, Bildern oder hochdimensionalen Zusammenhängen. Ein Gauß-Prozess ist oft leichter für Bayessche Optimierung nutzbar, weil die Unsicherheit direkt Teil des Modells ist. Ein neuronales Netz kann leistungsfähiger sein, ist aber häufig weniger transparent und muss besonders sorgfältig validiert werden.

Generalisierung beschreibt die Fähigkeit eines Modells, auf neue, bisher unbekannte Daten zuverlässig zu reagieren. Ein Modell generalisiert gut, wenn es nicht nur Trainingspunkte auswendig gelernt hat, sondern den zugrunde liegenden Zusammenhang erfasst. Im Engineering ist Generalisierung entscheidend, weil Modelle häufig neue Geometrien, Betriebspunkte oder Randbedingungen bewerten sollen. Gute Generalisierung entsteht durch repräsentative Daten, passende Modellkomplexität und saubere Validierung.

Ein genetischer Algorithmus ist ein evolutionäres Optimierungsverfahren, das Prinzipien wie Auswahl, Kreuzung und Mutation nutzt. Er eignet sich für nichtlineare, diskrete oder schwer differenzierbare Problemstellungen. Im Engineering kann er bei Formoptimierung, Variantenwahl, Parameteroptimierung oder Mehrzieloptimierung eingesetzt werden. Der Nachteil ist, dass viele Funktionsauswertungen nötig sein können, weshalb Surrogatmodelle oder automatisierte Simulationen oft hilfreich sind.

Ein Geometrieparameter beschreibt eine veränderbare geometrische Eigenschaft eines Bauteils oder Systems. Beispiele sind Länge, Durchmesser, Winkel, Radius, Spaltmaß, Querschnitt, Krümmung oder Position. In parametrischen CAE-Prozessen werden Geometrieparameter genutzt, um Varianten automatisiert zu erzeugen und zu bewerten. Für Machine Learning sind sie wichtige Eingangsgrößen, wenn ein Modell Designänderungen vorhersagen soll.

Globale Optimierung sucht nach der besten Lösung im gesamten definierten Designraum. Sie ist wichtig, wenn viele lokale Optima existieren oder die Zielfunktion stark nichtlinear ist. Der Aufwand ist meist höher als bei lokaler Optimierung, weil mehr Bereiche untersucht werden müssen. In technischen Projekten wird globale Optimierung häufig in frühen Phasen genutzt, um gute Lösungsbereiche zu finden.

Globale Optimierung sucht im gesamten definierten Designraum nach einer guten oder besten Lösung. Sie ist wichtig, wenn die Zielfunktion stark nichtlinear ist oder mehrere lokale Optima besitzt. Lokale Optimierung startet dagegen von einem bestimmten Ausgangspunkt und verbessert die Lösung in dessen Umgebung. Sie ist meist schneller, kann aber in einem lokalen Optimum hängen bleiben. Globale Optimierung benötigt oft mehr Funktionsauswertungen und damit mehr Rechenzeit. Lokale Optimierung ist gut für Feinabstimmung, wenn bereits ein vielversprechender Designbereich bekannt ist. In Engineering-Projekten wird häufig zuerst global gesucht und anschließend lokal verfeinert. Diese Kombination ist besonders sinnvoll, wenn teure Simulationen, Surrogatmodelle und technische Nebenbedingungen zusammenkommen.

Gradient Boosting ist ein Verfahren, bei dem viele schwache Modelle schrittweise zu einem starken Modell kombiniert werden. Jeder neue Baum korrigiert dabei Fehler der vorherigen Modelle. Im Engineering kann Gradient Boosting sehr genaue Vorhersagen für tabellarische Simulations- und Messdaten liefern. Es ist leistungsfähig, benötigt aber saubere Hyperparameterwahl und Validierung, um Überanpassung zu vermeiden.

Hybride Modellierung kombiniert physikbasierte Modelle mit datengetriebenen Methoden. Ein typisches Beispiel ist ein CFD- oder 1D-Modell, das durch ein Machine-Learning-Modell beschleunigt, korrigiert oder ergänzt wird. Dadurch können physikalische Plausibilität und hohe Rechengeschwindigkeit miteinander verbunden werden. Hybride Modelle sind besonders interessant für Surrogatmodelle, digitale Zwillinge, Regelung, Optimierung und Simulationen mit vielen Varianten.

Ein hybrides Modell kombiniert datengetriebene Methoden mit physikalischem Vorwissen oder physikbasierten Teilmodellen. Ein rein datengetriebenes Modell nutzt dagegen hauptsächlich Daten, ohne die Physik explizit in die Modellstruktur einzubauen. Hybride Modelle können z.B. CFD-Kennwerte, Erhaltungsgleichungen, dimensionslose Kennzahlen oder physikalisch motivierte Features einbeziehen. Dadurch werden Vorhersagen oft plausibler, besonders wenn die Datenmenge begrenzt ist. Rein datengetriebene Modelle können sehr leistungsfähig sein, benötigen aber gute Datenabdeckung und sorgfältige Validierung. Bei neuen Geometrien, Randbedingungen oder Betriebsbereichen sind hybride Modelle häufig robuster. Der Aufwand ist allerdings höher, weil Domänenwissen, Modellarchitektur und Datenpipeline sauber kombiniert werden müssen. Für technische Anwendungen mit Sicherheits- oder Funktionsrelevanz ist ein hybrider Ansatz oft vertrauenswürdiger als ein reines Black-Box-Modell.

Interpolation bedeutet, dass ein Modell zwischen bekannten Datenpunkten Vorhersagen berechnet. Sie ist meist zuverlässiger als Extrapolation, wenn der Parameterraum gut abgedeckt ist und die Zusammenhänge zwischen den Stützstellen ausreichend glatt sind. In CAE und Machine Learning wird Interpolation häufig genutzt, um Kennfelder, Antwortflächen oder Surrogatmodelle zu bewerten. Auch bei Interpolation bleibt Validierung wichtig, weil starke Nichtlinearitäten oder schlecht verteilte Stützpunkte lokale Fehler verursachen können.

Interpolation bedeutet, dass ein Modell Vorhersagen zwischen bekannten Datenpunkten berechnet. Extrapolation bedeutet, dass ein Modell außerhalb des bekannten Daten- oder Parameterbereichs angewendet wird. Interpolation ist meist deutlich sicherer, wenn der Parameterraum gut abgedeckt ist. Extrapolation ist riskanter, weil das Modell dort keine direkte Datenbasis hat. In Engineering-Anwendungen können außerhalb des bekannten Bereichs neue physikalische Effekte, Nichtlinearitäten oder Grenzfälle auftreten. Besonders Surrogatmodelle und neuronale Netze können bei Extrapolation überzeugende, aber falsche Ergebnisse liefern. Interpolation muss trotzdem validiert werden, wenn Stützstellen schlecht verteilt oder Effekte stark nichtlinear sind. Für technische Entscheidungen sollten extrapolierte Ergebnisse immer durch CFD, Messdaten oder physikalische Plausibilitätsprüfung abgesichert werden.

KI-gestützte Produktentwicklung beschreibt den Einsatz von KI entlang des Entwicklungsprozesses von Konzept bis Validierung. Sie kann Anforderungen strukturieren, Simulationen beschleunigen, Varianten bewerten, Messdaten analysieren und technische Entscheidungen vorbereiten. In CAE-Prozessen ist sie besonders nützlich, wenn große Datenmengen aus DoE, CFD, Prüfstand oder Betrieb vorliegen. Der größte Nutzen entsteht, wenn KI mit klaren technischen Zielgrößen, Domänenwissen und nachvollziehbarer Validierung kombiniert wird.

KI-gestützte Simulation nutzt künstliche Intelligenz, um Simulationsprozesse schneller, robuster oder auswertbarer zu machen. Beispiele sind automatische Vernetzung, Parameterauswahl, Ersatzmodelle, Ergebnisprognosen, Fehlererkennung und schnelle Nachbildung teurer CFD- oder FEM-Rechnungen. Besonders wertvoll ist KI, wenn viele Betriebspunkte, Geometrievarianten oder Optimierungsschleifen untersucht werden sollen. Die KI muss jedoch gegen physikalische Referenzen geprüft werden, weil ein schnelles Modell nicht automatisch ein richtiges Modell ist.

Ein Klassifikationsmodell ordnet Datenpunkten feste Klassen oder Kategorien zu. Im Engineering kann es z.B. zwischen bestanden und nicht bestanden, stabil und instabil, fehlerfrei und fehlerhaft oder Pumpen und Nicht-Pumpen unterscheiden. Klassifikation ist hilfreich, wenn nicht ein genauer Zahlenwert, sondern eine technische Entscheidung vorhergesagt werden soll. Wichtig sind klare Klassen, ausgewogene Trainingsdaten und eine Bewertung von Fehlklassifikationen.

Ein Konfidenzintervall gibt einen Bereich an, in dem ein geschätzter Wert mit einer definierten statistischen Sicherheit liegt. Es wird genutzt, um nicht nur einen einzelnen Vorhersagewert, sondern auch dessen Unsicherheit darzustellen. In technischen Modellen kann ein Konfidenzintervall z.B. für Druckverlust, Temperatur, Wirkungsgrad oder Lebensdauer angegeben werden. Wichtig ist, dass ein Konfidenzintervall statistisch korrekt interpretiert wird und nicht automatisch alle systematischen Modellfehler abdeckt.

Kreuzvalidierung ist ein Verfahren, bei dem Daten mehrfach in Trainings- und Validierungsanteile aufgeteilt werden. Dadurch lässt sich die Modellgüte robuster bewerten als mit einer einzelnen Datenaufteilung. Besonders bei kleinen Datensätzen ist Kreuzvalidierung hilfreich, weil alle Datenpunkte mehrfach genutzt werden. In Engineering-Projekten sollte trotzdem darauf geachtet werden, dass ähnliche Varianten oder abhängige Messpunkte nicht unbewusst zwischen Training und Validierung vermischt werden.

Kriging ist ein Interpolations- und Regressionsverfahren, das in technischen Surrogatmodellen häufig verwendet wird. Es ist eng mit Gauß-Prozessen verwandt und kann glatte Antwortflächen aus begrenzten Stützstellen erzeugen. Im Engineering wird Kriging oft für DoE, Optimierung, Sensitivitätsanalyse und Ersatzmodelle teurer Simulationen genutzt. Der Vorteil liegt in guter Genauigkeit bei wenigen Stützstellen, der Nachteil in Modellierungsaufwand und Sensitivität gegenüber Datenqualität.

Künstliche Intelligenz im Engineering umfasst Methoden, die technische Daten analysieren, Muster erkennen, Modelle automatisieren oder Entscheidungen unterstützen. Dazu gehören Machine Learning, Optimierung, Bild- und Signalanalyse, Sprachmodelle, Wissenssysteme und automatisierte Auswertungen. In der Produktentwicklung kann KI Entwicklungszeiten verkürzen, Simulationsdaten besser nutzbar machen und Varianten systematischer bewerten. KI ersetzt dabei nicht das Ingenieurwissen, sondern erweitert die Werkzeugkette, wenn Datenqualität, Modellgrenzen und Validierung sauber beherrscht werden.

Latin Hypercube Sampling ist eine Stichprobenmethode zur effizienten Abdeckung eines mehrdimensionalen Parameterraums. Jeder Parameterbereich wird in Abschnitte unterteilt, sodass jeder Abschnitt möglichst gleichmäßig vertreten ist. Dadurch können mit weniger Punkten oft bessere Abdeckungen erreicht werden als mit rein zufälligen Stichproben. Im Engineering wird Latin Hypercube Sampling häufig für DoE, Surrogatmodelle und Sensitivitätsanalysen genutzt.

Latin Hypercube Sampling ist eine raumfüllende Stichprobenmethode für mehrdimensionale Parameterbereiche. Es versucht, jeden Parameterbereich gleichmäßig abzudecken, ohne alle Kombinationen vollständig zu rechnen. Ein vollfaktorieller Versuchsplan berechnet dagegen alle Kombinationen vorgegebener Parameterstufen. Dadurch liefert er sehr vollständige Informationen über Haupteffekte und Wechselwirkungen. Der Nachteil des vollfaktoriellen Plans ist die stark wachsende Anzahl an Versuchen bei vielen Parametern. Latin Hypercube Sampling ist deshalb effizienter, wenn viele kontinuierliche Designvariablen betrachtet werden. Es liefert aber keine so direkte und vollständige Struktur wie ein vollfaktorieller Plan. Für teure CFD- oder FEM-Rechnungen ist Latin Hypercube Sampling oft die bessere Startstrategie, während vollfaktorielle Pläne eher für wenige Parameter oder günstige Modelle geeignet sind.

Lineare Regression beschreibt eine Zielgröße als lineare Kombination der Eingangsgrößen. Sie ist einfach, transparent und gut interpretierbar. Im Engineering eignet sie sich für erste Trendanalysen, einfache Korrelationen und robuste Basismodelle. Ihre Grenze liegt bei stark nichtlinearen Zusammenhängen, Wechselwirkungen oder komplexen physikalischen Effekten.

Lokale Optimierung verbessert eine Lösung ausgehend von einem Startpunkt in dessen Umgebung. Sie ist oft schneller als globale Optimierung und kann sehr effizient sein, wenn der Startpunkt bereits gut gewählt ist. Der Nachteil ist, dass sie in einem lokalen Optimum hängen bleiben kann. Im Engineering wird lokale Optimierung häufig zur Feinabstimmung genutzt, nachdem globale Suche oder Erfahrung einen guten Designbereich gefunden hat.

Machine Learning und klassische Optimierung lösen unterschiedliche Aufgaben, werden im Engineering aber oft kombiniert. Machine Learning lernt Zusammenhänge aus Daten und kann Zielgrößen schnell vorhersagen. Klassische Optimierung sucht systematisch nach einer besseren Lösung in einem definierten Designraum. Eine Optimierung kann direkt mit CFD oder FEM arbeiten, benötigt dann aber viele teure Simulationen. Machine Learning kann als Surrogatmodell eingesetzt werden, um diese Bewertungen massiv zu beschleunigen. Klassische Optimierung benötigt eine Zielfunktion, Nebenbedingungen und Designvariablen. Machine Learning benötigt Trainingsdaten, Validierung und einen klaren Gültigkeitsbereich. In modernen CAE-Workflows liefert Machine Learning oft das schnelle Bewertungsmodell, während die Optimierung die Suchstrategie übernimmt.

Mehrzieloptimierung betrachtet mehrere Zielgrößen gleichzeitig. In Engineering-Aufgaben stehen Ziele oft im Konflikt, z.B. niedriger Druckverlust, hoher Wärmeübergang, geringe Masse, niedrige Kosten und gute Fertigbarkeit. Statt einer einzelnen besten Lösung entsteht häufig eine Menge guter Kompromisse. Diese Kompromisse werden oft über eine Pareto-Front dargestellt, damit Ingenieure eine technisch sinnvolle Auswahl treffen können.

Messdaten sind Daten, die aus realen Messungen an Prüfständen, Fahrzeugen, Sensoren oder Bauteilen stammen. Sie enthalten reale physikalische Effekte, können aber auch Rauschen, Messfehler, Kalibrierfehler und unbekannte Randbedingungen enthalten. Im Engineering sind Messdaten besonders wichtig zur Validierung von Simulationen und Machine-Learning-Modellen. Eine gute Nutzung von Messdaten erfordert saubere Sensorik, dokumentierte Randbedingungen und nachvollziehbare Datenaufbereitung.

Ein Metamodell ist ein Modell, das auf Ergebnissen anderer Modelle oder Versuche aufgebaut wird. Es beschreibt den Zusammenhang zwischen Parametern und Ergebnissen auf einer höheren Abstraktionsebene. In CAE-Prozessen entsteht ein Metamodell häufig aus einem DoE mit vielen CFD- oder FEM-Rechnungen. Es dient dazu, Zusammenhänge schneller zu analysieren, Sensitivitäten zu erkennen und Optimierungen effizienter durchzuführen.

Merkmalsextraktion beschreibt das Ableiten aussagekräftiger Merkmale aus Rohdaten. Aus einem Strömungsfeld können z.B. Druckverlust, Massenstrom, Wirbelkennwerte, Temperaturmaxima oder integrale Kräfte extrahiert werden. Ziel ist es, komplexe Daten so zu verdichten, dass ein Modell relevante technische Zusammenhänge leichter lernen kann. Gute Merkmalsextraktion verbindet Datenverarbeitung mit technischem Domänenwissen.

Der mittlere absolute Fehler, kurz MAE, ist der Durchschnitt der absoluten Abweichungen zwischen Vorhersage und Referenzwert. Er ist gut interpretierbar, weil er in derselben Einheit wie die Zielgröße angegeben wird. MAE behandelt alle Fehler linear und ist dadurch weniger empfindlich gegenüber einzelnen Ausreißern als der mittlere quadratische Fehler. In Engineering-Modellen ist MAE hilfreich, wenn typische Abweichungen verständlich bewertet werden sollen.

Der mittlere quadratische Fehler, kurz MSE, ist der Durchschnitt der quadrierten Abweichungen zwischen Vorhersage und Referenzwert. Große Fehler werden dadurch stärker bestraft als kleine Fehler. Das ist sinnvoll, wenn Ausreißer oder große technische Abweichungen besonders kritisch sind. Der MSE ist weniger direkt interpretierbar als MAE, weil er in der quadrierten Einheit der Zielgröße angegeben wird.

Modellgüte beschreibt, wie gut ein Modell die relevanten technischen Zusammenhänge abbildet. Sie wird nicht nur durch geringe Fehlerwerte bestimmt, sondern auch durch physikalische Plausibilität, Robustheit und Gültigkeitsbereich. Im Engineering muss Modellgüte immer gegen Referenzdaten wie Messungen, hochwertige Simulationen oder bekannte Grenzfälle geprüft werden. Ein Modell mit guter Statistik kann trotzdem technisch schlecht sein, wenn es außerhalb des Trainingsbereichs falsche Trends liefert.

Modellordnungsreduktion beschreibt Verfahren, mit denen komplexe Simulationsmodelle auf eine kleinere, schnellere Modellform reduziert werden. Ziel ist es, die wichtigsten dynamischen oder physikalischen Eigenschaften zu erhalten. Sie wird eingesetzt, wenn detaillierte Modelle für Optimierung, Regelung, Echtzeitfähigkeit oder viele Varianten zu langsam sind. Die Qualität der Modellordnungsreduktion muss immer gegen das Ausgangsmodell oder Messdaten geprüft werden.

Eine Nebenbedingung begrenzt den Lösungsraum einer Optimierung. Beispiele sind maximaler Bauraum, minimale Wandstärke, zulässige Temperatur, maximaler Druckverlust, Festigkeitsgrenze, Fertigungsrestriktion oder Reglementvorgabe. Nebenbedingungen sind wichtig, damit der Algorithmus keine unrealistischen oder nicht baubaren Designs findet. Gute Optimierung braucht daher nicht nur Ziele, sondern auch klare technische Grenzen.

Ein neuronales Netz ist ein Machine-Learning-Modell aus miteinander verbundenen Recheneinheiten, sogenannten Neuronen. Es kann komplexe nichtlineare Zusammenhänge zwischen Eingaben und Ausgaben lernen. Im Engineering wird es für Surrogatmodelle, Kennfeldersatz, Bildauswertung, Sensorsignale, Zustandsüberwachung und Optimierung genutzt. Neuronale Netze können sehr leistungsfähig sein, benötigen aber ausreichende Daten, gute Skalierung und sorgfältige Validierung.

Nichtlineare Regression beschreibt Zusammenhänge, die nicht durch eine einfache lineare Funktion erfasst werden können. Im Engineering ist das häufig der Normalfall, z.B. bei Strömungswiderstand, Wärmeübergang, Materialverhalten oder Wirkungsgradkennfeldern. Nichtlineare Modelle können deutlich genauer sein, benötigen aber mehr Daten und sorgfältigere Validierung. Wichtig ist, dass die gewählte Modellform technisch plausibel bleibt und nicht nur Trainingsdaten nachzeichnet.

Optimierung beschreibt die systematische Suche nach einer besseren Lösung innerhalb eines definierten Designraums. Im Engineering können Zielgrößen z.B. Luftwiderstand, Druckverlust, Temperaturmaximum, Masse, Wirkungsgrad oder Kosten sein. Wichtig ist, dass Optimierung immer klare Randbedingungen und technisch sinnvolle Parametergrenzen benötigt. Ein Algorithmus findet nur dann brauchbare Lösungen, wenn Zielfunktion, Nebenbedingungen und Modellgüte sauber definiert sind.

Ein Optimierungsalgorithmus ist ein Verfahren, das im Designraum nach besseren Lösungen sucht. Je nach Aufgabe kann er gradientenbasiert, evolutionär, stochastisch, bayessch oder heuristisch arbeiten. Die Wahl des Algorithmus hängt von Rechenzeit, Anzahl der Variablen, Nichtlinearität, Rauschen und Nebenbedingungen ab. In CAE-Projekten ist oft nicht der Algorithmus allein entscheidend, sondern die Kopplung mit Simulation, Automatisierung und Validierung.

Der Parameterraum umfasst alle möglichen Kombinationen der Eingangsparameter eines Modells. Er definiert, in welchem Bereich ein Surrogatmodell, DoE oder Optimierungsmodell gültig sein soll. Je höher die Anzahl der Parameter, desto stärker wächst der Aufwand für eine ausreichende Abdeckung. Im Engineering ist eine sinnvolle Begrenzung des Parameterraums wichtig, damit Modelle genau, effizient und technisch nutzbar bleiben.

Eine Parameterstudie untersucht gezielt den Einfluss einzelner oder mehrerer Parameter auf ein technisches Ergebnis. Sie kann manuell, automatisiert, simulationsbasiert oder messdatenbasiert durchgeführt werden. In CAE-Projekten wird sie häufig genutzt, um Trends zu erkennen, Varianten zu vergleichen oder Modellannahmen zu prüfen. Eine gute Parameterstudie hat klare Zielgrößen, sinnvolle Parametergrenzen und eine nachvollziehbare Auswertung.

Eine Parameterstudie untersucht gezielt, wie einzelne oder mehrere Parameter eine Zielgröße beeinflussen. Häufig werden Parameter manuell oder sequenziell variiert, z.B. ein Faktor nach dem anderen. Design of Experiments ist methodischer und wählt Stützstellen statistisch oder raumfüllend aus. Dadurch kann DoE den Parameterraum effizienter abdecken und Wechselwirkungen zwischen Parametern besser sichtbar machen. Eine einfache Parameterstudie ist gut verständlich und hilfreich für erste technische Fragen. Sie wird aber schnell ineffizient, wenn viele Eingangsgrößen oder nichtlineare Zusammenhänge vorliegen. DoE ist besser geeignet, wenn daraus Surrogatmodelle, Sensitivitätsanalysen oder Optimierungen entstehen sollen. Im Engineering ergänzen sich beide: Parameterstudien erklären Einzeleffekte, DoE schafft eine belastbare Datenbasis für mehrdimensionale Fragestellungen.

Ein parametrisches CAD-Modell beschreibt Geometrie über veränderbare Parameter statt über eine starre Einzelgeometrie. Beispiele sind Winkel, Radien, Längen, Querschnitte, Positionen oder Spaltmaße. Für automatisierte Simulation und Optimierung ist ein parametrisches CAD-Modell die Grundlage, um Varianten kontrolliert zu erzeugen. Wichtig ist, dass die Parametrik robust bleibt und bei Parameteränderungen keine fehlerhaften Geometrien erzeugt.

Parametrische Simulation untersucht systematisch den Einfluss veränderbarer Modellparameter auf Simulationsergebnisse. Sie kann Geometrieparameter, Randbedingungen, Materialwerte oder Betriebszustände variieren. Im Engineering wird sie genutzt, um Trends, Sensitivitäten, robuste Bereiche und Optimierungspotenziale zu erkennen. Parametrische Simulation wird besonders leistungsfähig, wenn sie mit Automatisierung, DoE und automatisiertem Postprocessing kombiniert wird.

Eine Pareto-Front zeigt Lösungen, bei denen eine Zielgröße nicht verbessert werden kann, ohne mindestens eine andere Zielgröße zu verschlechtern. Sie ist besonders hilfreich bei Zielkonflikten wie Abtrieb vs. Luftwiderstand, Kühlleistung vs. Druckverlust oder Masse vs. Steifigkeit. Die Pareto-Front macht sichtbar, welche Designs technisch effizient sind und welche eindeutig unterlegen sind. Für Entscheidungen ist sie oft wertvoller als ein einzelner Optimierungswert.

Eine Zielfunktion beschreibt, welche Größe eine Optimierung verbessern soll. Sie kann z.B. Druckverlust minimieren, Temperatur senken, Wirkungsgrad erhöhen oder Luftwiderstand reduzieren. Eine Pareto-Front entsteht bei Mehrzieloptimierungen, wenn mehrere Zielgrößen gleichzeitig betrachtet werden. Sie zeigt die Lösungen, bei denen eine Zielgröße nicht verbessert werden kann, ohne eine andere zu verschlechtern. Die Zielfunktion ist also die mathematische Formulierung des Optimierungsziels. Die Pareto-Front ist das Ergebnis einer Optimierung mit Zielkonflikten. Eine einzelne gewichtete Zielfunktion kann Zielkonflikte verstecken, wenn Gewichtungen willkürlich gewählt werden. Eine Pareto-Front macht diese Zielkonflikte sichtbar und unterstützt technische Entscheidungen.

Physikbasierte Modellierung beschreibt Modelle, die auf physikalischen Gleichungen, Erhaltungssätzen und bekannten Material- oder Fluidgesetzen beruhen. Beispiele sind CFD, FEM, 1D-Motorsimulation oder thermische Netzwerke. Der Vorteil ist eine bessere Extrapolationsfähigkeit, wenn die relevanten physikalischen Mechanismen korrekt abgebildet sind. Der Nachteil liegt häufig in höherem Modellierungsaufwand, längerer Rechenzeit und notwendigen Annahmen zu Randbedingungen, Materialdaten und Modellparametern.

Ein physik-informiertes neuronales Netz, kurz PINN, verbindet neuronale Netze mit physikalischen Gleichungen oder Nebenbedingungen. Das Modell lernt nicht nur aus Daten, sondern wird zusätzlich durch Erhaltungsgleichungen, Randbedingungen oder bekannte Gesetzmäßigkeiten geführt. Dadurch kann es bei begrenzten Daten physikalisch plausiblere Lösungen liefern als ein rein datengetriebenes Netz. PINNs sind besonders interessant für Strömung, Wärmeübertragung, inverse Probleme und Modellreduktion, aber nicht automatisch schneller oder einfacher als klassische Simulation.

PINN steht für Physics-Informed Neural Network und bezeichnet ein neuronales Netz, das zusätzlich zu Trainingsdaten auch physikalische Gleichungen oder Nebenbedingungen berücksichtigt. Das Modell wird z.B. durch Erhaltungsgleichungen, Randbedingungen, Anfangsbedingungen oder bekannte Materialgesetze geführt. Dadurch kann ein PINN bei begrenzten Daten physikalisch plausiblere Ergebnisse liefern als ein rein datengetriebenes Modell. In Engineering-Anwendungen ist PINN besonders interessant für Strömungssimulation, Wärmeübertragung, inverse Probleme und Modellreduktion.

Polynomiale Regression erweitert die lineare Regression um Potenzen und Wechselwirkungen der Eingangsgrößen. Dadurch können gekrümmte Zusammenhänge einfacher beschrieben werden. Sie ist gut geeignet für überschaubare Antwortflächen mit moderater Nichtlinearität. Bei hoher Ordnung oder vielen Parametern kann sie jedoch instabil werden und stark überanpassen.

Prüfstandsdaten sind Messdaten, die unter kontrollierten Bedingungen auf einem Prüfstand erzeugt werden. Beispiele sind Motordaten, Turboladerkennfelder, Pumpenkennlinien, Kühlerkennfelder, Materialdaten oder Komponentenkennwerte. Sie sind oft reproduzierbarer als Fahrversuchsdaten, bilden aber nicht immer alle realen Einbaubedingungen ab. Für Modellkalibrierung, Validierung und Surrogatmodelle sind Prüfstandsdaten besonders wertvoll, wenn Randbedingungen und Messunsicherheiten sauber dokumentiert sind.

Ein Randbedingungsparameter beschreibt eine veränderbare Randbedingung eines Simulations- oder Datenmodells. Beispiele sind Einlassdruck, Massenstrom, Umgebungstemperatur, Fahrzeuggeschwindigkeit, Wärmestrom, Drehzahl oder Turbulenzgrad. In Surrogatmodellen sind Randbedingungsparameter wichtig, weil ein Bauteil je nach Betriebszustand sehr unterschiedlich reagieren kann. Der gültige Bereich dieser Parameter muss klar begrenzt werden, damit das Modell nicht unkontrolliert extrapoliert.

Random Forest ist ein Machine-Learning-Verfahren aus vielen Entscheidungsbäumen. Es kann nichtlineare Zusammenhänge und Wechselwirkungen robust abbilden. Im Engineering eignet es sich für Regression, Klassifikation, Feature-Bewertung und schnelle Surrogatmodelle. Der Nachteil ist, dass Random Forests weniger glatt extrapolieren und außerhalb des Trainingsbereichs oft nur eingeschränkt vertrauenswürdig sind.

Random Forest besteht aus vielen Entscheidungsbäumen und ist besonders robust für tabellarische Engineering-Daten. Er kann nichtlineare Zusammenhänge und Wechselwirkungen erfassen, ohne sehr viel Datenvorverarbeitung zu benötigen. Ein neuronales Netz ist flexibler und kann komplexere Funktionen, Felder oder hochdimensionale Eingaben lernen. Dafür benötigt es meist mehr Daten, mehr Hyperparameterabstimmung und sorgfältige Skalierung. Random Forest ist häufig schnell aufzubauen und liefert nützliche Informationen über Merkmalswichtigkeit. Neuronale Netze können bei großen Datenmengen und komplexen Mustern bessere Genauigkeit erreichen. Random Forest extrapoliert außerhalb des Trainingsbereichs meist schlecht und eher stückweise. Neuronale Netze extrapolieren ebenfalls unsicher, wirken dabei aber oft glatter und dadurch potenziell trügerischer.

Rechenzeitreduktion beschreibt Maßnahmen, mit denen Simulationen oder Modellbewertungen schneller werden. Beispiele sind Modellvereinfachung, Ersatzmodelle, Reduced Order Models, Parallelisierung, adaptive Stichprobenwahl oder effiziente Vernetzung. Ziel ist nicht nur schneller zu rechnen, sondern bei ausreichender Genauigkeit mehr Varianten bewerten zu können. Rechenzeitreduktion ist besonders wichtig, wenn CFD oder FEM mit Optimierung und Machine Learning gekoppelt werden.

Ein Reduced Order Model, kurz ROM, ist ein vereinfachtes Modell mit deutlich reduzierter mathematischer Komplexität. Es soll das wesentliche Systemverhalten eines detaillierten Modells mit viel kürzerer Rechenzeit wiedergeben. Im Engineering wird ROM für Strömung, Struktur, Thermik, Regelung und digitale Zwillinge eingesetzt. Entscheidend ist, dass die Reduktion die für die Fragestellung wichtigen Effekte erhält und nicht nur Rechenzeit spart.

Ein Regressionsmodell sagt kontinuierliche Zielgrößen voraus. Im Engineering können das z.B. Luftwiderstand, Druckverlust, Temperatur, Wirkungsgrad, Spannung oder Lebensdauer sein. Regressionsmodelle lernen aus Daten, wie Eingangsgrößen mit einer numerischen Zielgröße zusammenhängen. Sie eignen sich besonders für Surrogate, Kennfeldersatz, Trendanalyse und schnelle Vorhersagen in Optimierungsschleifen.

Eine Response Surface ist eine mathematische Antwortfläche, die den Zusammenhang zwischen Eingangsparametern und einer Zielgröße beschreibt. Sie wird häufig aus Versuchsplänen oder Simulationsdaten aufgebaut. In der Produktentwicklung hilft sie, Trends, Optima und Sensitivitäten schnell zu erkennen. Response Surfaces sind gut verständlich, können aber bei stark nichtlinearen oder hochdimensionalen Zusammenhängen ungenau werden.

Sensitivitätsanalyse untersucht, wie stark Eingangsparameter die Zielgrößen eines Modells beeinflussen. Sie zeigt, welche Parameter wichtig sind und welche nur geringen Einfluss haben. In Engineering-Projekten hilft sie, Designvariablen zu priorisieren, Modellkomplexität zu reduzieren und technische Ursachen besser zu verstehen. Sensitivitätsanalyse ist besonders wertvoll in Kombination mit DoE, Surrogatmodellen und Optimierung.

Sensitivitätsanalyse untersucht, welche Eingangsparameter eine Zielgröße wie stark beeinflussen. Optimierung sucht dagegen gezielt nach besseren Parameterkombinationen. Eine Sensitivitätsanalyse beantwortet also die Frage: Was ist wichtig? Eine Optimierung beantwortet die Frage: Welche Variante ist besser oder optimal? Sensitivitätsanalyse hilft, Designvariablen zu priorisieren und unwichtige Parameter zu entfernen. Das macht anschließende Optimierungen effizienter und robuster. Eine Optimierung ohne Sensitivitätsverständnis kann viel Rechenzeit in unwichtigen Bereichen verlieren. Eine Sensitivitätsanalyse allein liefert aber noch keine optimale Lösung. In guten CAE-Prozessen kommt zuerst das Verständnis der Einflussgrößen, danach die zielgerichtete Optimierung.

Simulationsautomatisierung beschreibt das automatische Durchführen wiederkehrender Simulationsschritte. Dazu gehören Modellaufbau, Randbedingungen, Netzgenerierung, Rechenlauf, Monitoring, Ergebnisextraktion und Berichtserstellung. Sie ist besonders wertvoll, wenn viele Varianten oder Betriebspunkte systematisch bewertet werden sollen. Eine gute Automatisierung spart nicht nur Zeit, sondern verbessert auch Reproduzierbarkeit und Qualitätssicherung.

Simulationsdaten sind Ergebnisse, die aus numerischen Modellen wie CFD, FEM, 1D-Simulation oder Systemsimulation stammen. Sie können Kennwerte, Zeitverläufe, Felddaten, Kraftbeiwerte, Temperaturen, Druckverluste oder Spannungen enthalten. Für Machine Learning sind Simulationsdaten attraktiv, weil sie gezielt und automatisiert über viele Varianten erzeugt werden können. Ihre Qualität hängt jedoch stark von Modellannahmen, Randbedingungen, Vernetzung, Solverqualität und Validierung ab.

Eine Stichprobenstrategie beschreibt, wie Punkte im Parameterraum ausgewählt werden. Sie beeinflusst, ob ein Modell den Designraum gleichmäßig abdeckt, lokale Optima findet oder unsichere Bereiche gezielt verbessert. Beispiele sind zufällige Stichprobe, Latin Hypercube Sampling, vollfaktorielle Pläne, adaptive Stichprobenwahl oder aktives Lernen. Eine gute Stichprobenstrategie spart Rechenzeit und verbessert die Qualität von Surrogatmodellen und Optimierungen.

Eine Support Vector Machine ist ein Verfahren für Klassifikation und Regression. Sie sucht eine Entscheidungsgrenze oder Regressionsfunktion, die Datenpunkte mit möglichst guter Trennung oder Fehlerkontrolle beschreibt. Mit Kernelfunktionen können auch nichtlineare Zusammenhänge erfasst werden. Im Engineering ist sie für kleinere bis mittlere Datensätze nützlich, kann bei großen Datensätzen aber aufwendig werden.

Ein Surrogatmodell ist ein schnelles Ersatzmodell für ein langsameres, teureres oder komplexeres Referenzmodell. Im Engineering ersetzt es häufig CFD-, FEM-, 1D- oder Prüfstandsdaten in Variantenstudien und Optimierungen. Das Surrogat lernt den Zusammenhang zwischen Eingangsgrößen und Zielgrößen aus Trainingsdaten. Wichtig ist, dass sein Gültigkeitsbereich klar definiert wird, weil ein Surrogatmodell außerhalb der trainierten Datenbasis unzuverlässig werden kann.

Ein Surrogatmodell ist ein schnelles Ersatzmodell, das aus vorhandenen CFD-Simulationen, Messdaten oder kombinierten Datenquellen gelernt wird. Eine CFD-Simulation berechnet die Strömung dagegen direkt über physikalische Gleichungen, Netz, Randbedingungen und numerische Solver. CFD liefert lokale Strömungsfelder, Druckverteilungen, Temperaturfelder und Wirbelstrukturen, ist aber rechenintensiv. Das Surrogatmodell liefert Ergebnisse in Sekunden oder Millisekunden, benötigt dafür aber vorher hochwertige Trainingsdaten. Es eignet sich besonders für Design Exploration, Optimierung, Sensitivitätsanalyse und schnelle Variantenbewertung. Der Nachteil ist der begrenzte Gültigkeitsbereich: außerhalb des trainierten Parameterraums kann ein Surrogatmodell falsche Trends liefern. CFD ist die belastbarere Methode für neue Geometrien und Detailphysik, während das Surrogatmodell der Beschleuniger für bekannte Fragestellungen ist. In guten Engineering-Workflows schlägt das Surrogatmodell Kandidaten vor, die anschließend mit CFD abgesichert werden.

Ein Surrogatmodell bildet meist den Zusammenhang zwischen Eingangsparametern und Zielgrößen aus Daten nach. Ein Reduced Order Model, kurz ROM, reduziert dagegen die mathematische Ordnung eines detaillierten physikalischen Modells. Surrogatmodelle liefern häufig Kennwerte wie Druckverlust, cW-Wert, Temperaturmaximum oder Wirkungsgrad. ROMs können zusätzlich dynamische Zustände, Felder oder Systemverhalten in reduzierter Form abbilden. Ein Surrogatmodell kann stark datengetrieben sein und muss nicht direkt aus den Gleichungen des Ursprungssystems entstehen. Ein ROM hat oft eine engere Verbindung zum ursprünglichen Simulationsmodell, z.B. über Moden, Basisfunktionen oder reduzierte Zustandsräume. Beide Ansätze reduzieren Rechenzeit, aber mit unterschiedlicher Modellphilosophie. Im Engineering ist ein Surrogatmodell oft die pragmatische Lösung für schnelle Kennwertvorhersagen, während ein ROM stärker für dynamische Systemsimulationen und feldnahe Modellreduktion geeignet ist.

Ein teilfaktorieller Versuchsplan untersucht nur eine gezielte Teilmenge aller möglichen Parameterkombinationen. Dadurch wird der Aufwand gegenüber einem vollfaktoriellen Plan deutlich reduziert. Der Preis ist, dass bestimmte Wechselwirkungen nicht mehr vollständig getrennt oder nur näherungsweise bewertet werden können. Im Engineering ist ein teilfaktorieller Plan sinnvoll, wenn viele Parameter betrachtet werden sollen, aber Rechenzeit oder Prüfstandszeit begrenzt ist.

Testdaten werden genutzt, um die Modellgüte auf bisher unbekannten Daten zu bewerten. Sie sollten nicht für das Training oder die Parameterauswahl verwendet werden, damit die Bewertung möglichst unabhängig bleibt. Im Engineering zeigen Testdaten, ob ein Surrogatmodell oder Regressionsmodell auch für neue Geometrien, Betriebspunkte oder Randbedingungen zuverlässig ist. Eine klare Trennung von Trainingsdaten, Validierungsdaten und Testdaten verhindert zu optimistische Ergebnisse.

Ein Testdatensatz ist die separate Datenmenge, mit der ein fertig entwickeltes Modell abschließend geprüft wird. Er sollte repräsentative Fälle enthalten, die das Modell während Training und Validierung nicht gesehen hat. In CAE- und Engineering-Anwendungen kann der Testdatensatz z.B. aus zusätzlichen CFD-Rechnungen, Messungen oder bewusst zurückgehaltenen DoE-Punkten bestehen. Er liefert die wichtigste Aussage darüber, ob ein Modell außerhalb der Trainingsdaten belastbar funktioniert.

Ein tiefes neuronales Netz besitzt mehrere verborgene Schichten und kann dadurch sehr komplexe Funktionen approximieren. Es eignet sich besonders für große Datensätze, hochdimensionale Eingaben, Bilder, Felddaten oder komplexe Surrogatmodelle. Im CAE-Kontext können tiefe Netze z.B. Strömungsfelder, Temperaturfelder oder Ergebniskennwerte approximieren. Der Aufwand für Training, Datenaufbereitung, Regularisierung und Interpretierbarkeit ist jedoch höher als bei einfachen Modellen.

Topologieoptimierung sucht eine günstige Materialverteilung innerhalb eines vorgegebenen Bauraums. Sie wird häufig für Strukturbauteile genutzt, kann aber auch bei Strömungskanälen, Kühlstrukturen und additiver Fertigung relevant sein. Das Ergebnis zeigt oft organisch wirkende Geometrien, die anschließend konstruktiv bereinigt und fertigungsnah umgesetzt werden müssen. Wichtig ist, dass Lastfälle, Randbedingungen und Fertigungsrestriktionen realistisch gesetzt werden.

Trainingsaufwand beschreibt den Aufwand, der nötig ist, um ein Machine-Learning-Modell aufzubauen und zu trainieren. Dazu gehören Datenerzeugung, Datenbereinigung, Feature Engineering, Modellauswahl, Hyperparameterabstimmung, Rechenzeit und Validierung. Im Engineering ist die Datenerzeugung oft der größte Aufwand, weil hochwertige CFD-, FEM- oder Prüfstandsdaten teuer sind. Ein gutes Projekt bewertet deshalb früh, ob der erwartete Nutzen des Modells den Trainingsaufwand rechtfertigt.

Trainingsdaten sind die Daten, mit denen ein Machine-Learning-Modell seine Zusammenhänge lernt. Im Engineering stammen sie häufig aus CFD-Simulationen, FEM-Rechnungen, Prüfstandsdaten, Messreihen, DoE-Studien oder Betriebsdaten. Die Qualität der Trainingsdaten bestimmt wesentlich, ob ein Modell später robuste Vorhersagen treffen kann. Wichtig sind repräsentative Betriebspunkte, saubere Zielgrößen, konsistente Einheiten und eine gute Abdeckung des Parameterraums.

Ein Trainingsdatensatz ist die strukturierte Sammlung der Trainingsdaten für ein Machine-Learning-Modell. Er enthält Eingangsparameter, Zielgrößen und häufig zusätzliche Metadaten wie Geometrieversion, Simulationssetup, Randbedingungen oder Messunsicherheit. Für technische Modelle ist nicht nur die Anzahl der Datenpunkte wichtig, sondern auch deren Verteilung im Parameterraum. Ein guter Trainingsdatensatz ist nachvollziehbar, bereinigt und physikalisch plausibel.

Trainingsdaten werden genutzt, damit ein Machine-Learning-Modell seine Zusammenhänge lernt. Testdaten werden erst nach der Modellentwicklung genutzt, um die Vorhersagequalität unabhängig zu prüfen. Der wichtigste Unterschied ist, dass Testdaten dem Modell während Training und Modellwahl nicht bekannt sein sollten. Sonst wird die Bewertung zu optimistisch und die echte Generalisierungsfähigkeit bleibt unklar. In Engineering-Projekten können Trainingsdaten aus CFD-Rechnungen, Messdaten, Prüfstandsdaten oder DoE-Varianten stammen. Testdaten sollten repräsentative Fälle enthalten, die technisch relevant und nicht nur statistisch bequem sind. Eine saubere Trennung verhindert, dass ähnliche Varianten unbewusst in beiden Datensätzen landen. Für Surrogatmodelle ist ein belastbarer Testdatensatz entscheidend, bevor das Modell in Optimierung oder Designentscheidungen verwendet wird.

Unsicherheitsquantifizierung beschreibt die systematische Bewertung, wie sicher oder unsicher eine Modellvorhersage ist. Sie berücksichtigt z.B. Streuung in Eingangsdaten, Messunsicherheit, Modellfehler, numerische Fehler und begrenzte Trainingsdaten. Im Engineering ist sie wichtig, weil technische Entscheidungen nicht nur vom Mittelwert, sondern auch vom Risiko falscher Vorhersagen abhängen. Besonders bei Surrogatmodellen, Bayesscher Optimierung und sicherheitskritischen Auslegungen sollte Unsicherheit explizit angegeben werden.

Unteranpassung entsteht, wenn ein Modell zu einfach ist, um den zugrunde liegenden Zusammenhang abzubilden. Es liefert dann sowohl auf Trainingsdaten als auch auf neuen Daten schlechte Ergebnisse. Im Engineering passiert das z.B., wenn ein linearer Ansatz für stark nichtlineare Strömungs-, Wärme- oder Strukturzusammenhänge genutzt wird. Gegenmaßnahmen sind bessere Features, ein geeigneteres Modell, mehr relevante Eingangsgrößen oder eine physikalisch sinnvollere Modellform.

Überanpassung entsteht, wenn ein Modell Trainingsdaten sehr genau nachbildet, aber auf neuen Daten schlecht funktioniert. Das Modell lernt dann Rauschen, Zufälligkeiten oder spezielle Details der Trainingsdaten statt des allgemeinen Zusammenhangs. In Surrogatmodellen kann Überanpassung zu scheinbar sehr guter Modellgüte und gleichzeitig schlechten technischen Vorhersagen führen. Gegenmaßnahmen sind Validierungsdaten, Kreuzvalidierung, Regularisierung, einfachere Modelle und bessere Datenabdeckung.

Überanpassung entsteht, wenn ein Modell Trainingsdaten zu genau nachbildet und dabei Rauschen oder Zufälligkeiten mitlernt. Es wirkt im Training sehr gut, versagt aber auf neuen Daten. Unteranpassung entsteht, wenn ein Modell zu einfach ist und den eigentlichen Zusammenhang gar nicht erfassen kann. Dann sind sowohl Trainingsfehler als auch Testfehler hoch. Im Engineering ist Überanpassung gefährlich, weil ein Surrogatmodell scheinbar hohe Genauigkeit zeigt, aber neue Designs falsch bewertet. Unteranpassung ist ebenfalls problematisch, weil wichtige Nichtlinearitäten oder Wechselwirkungen verloren gehen. Gegen Überanpassung helfen Validierungsdaten, Kreuzvalidierung, Regularisierung und bessere Datenabdeckung. Gegen Unteranpassung helfen geeignetere Features, komplexere Modelle oder eine physikalisch sinnvollere Modellstruktur.

Validierungsdaten werden während der Modellentwicklung genutzt, um Modellvarianten, Hyperparameter oder Trainingsabbruch sinnvoll auszuwählen. Sie dienen also zur Modellentscheidung, nicht zur finalen unabhängigen Bewertung. In Engineering-Projekten helfen Validierungsdaten, Überanpassung früh zu erkennen und die Modellgüte im relevanten Parameterbereich zu prüfen. Die finale Aussage zur Übertragbarkeit sollte trotzdem auf separaten Testdaten erfolgen.

Ein Versuchsplan legt fest, welche Parameterkombinationen in einer Versuchs- oder Simulationsreihe untersucht werden. Er bestimmt, wie gut der Parameterraum abgedeckt wird und welche Aussagen später möglich sind. Ein guter Versuchsplan berücksichtigt Zielgrößen, Parametergrenzen, Wechselwirkungen, Aufwand und statistische Aussagekraft. In der Simulation kann ein Versuchsplan z.B. CFD-Läufe, 1D-Modelle, FEM-Rechnungen oder Prüfstandsversuche strukturieren.

Virtuelle Produktentwicklung nutzt Simulation, digitale Modelle, Automatisierung und Datenanalyse, um Produkte vor dem Bau physischer Prototypen zu entwickeln. Sie reduziert Entwicklungszeit, Hardwarekosten und technische Risiken, wenn Modelle früh belastbar aufgebaut werden. Wichtige Bestandteile sind CAD, CFD, FEM, 1D-Simulation, DoE, Optimierung, Surrogatmodelle und Messdatenabgleich. Der größte Nutzen entsteht, wenn virtuelle Methoden nicht isoliert arbeiten, sondern systematisch mit Versuch, Konstruktion und Entscheidungsprozessen gekoppelt sind.

Ein virtueller Prüfstand ist eine simulationsbasierte Umgebung, in der Bauteile oder Systeme rechnerisch getestet werden. Er kann reale Prüfstandsversuche vorbereiten, ergänzen oder teilweise ersetzen. Im virtuellen Prüfstand lassen sich viele Varianten, Lastfälle und Randbedingungen schneller untersuchen als mit Hardware. Die Aussagekraft hängt davon ab, wie gut Modelle, Kennfelder, Regelung, Randbedingungen und Validierung zur realen Anwendung passen.

Ein virtueller Prüfstand ist eine simulationsbasierte Umgebung, in der Bauteile oder Systeme rechnerisch getestet werden. Ein physischer Prüfstand misst reale Hardware unter kontrollierten Bedingungen. Der virtuelle Prüfstand ist schnell, variantenfähig und kann frühe Entwicklungsentscheidungen unterstützen, bevor Prototypen verfügbar sind. Der physische Prüfstand liefert reale Messdaten inklusive Effekten, die in Modellen oft nur vereinfacht enthalten sind. Dazu gehören Fertigungsstreuung, Alterung, Leckagen, Sensorik, Aktuatorverhalten und reale Umgebungsbedingungen. Der virtuelle Prüfstand hängt stark von Modellqualität, Kennfeldern, Randbedingungen und Validierung ab. Der physische Prüfstand ist teurer und langsamer, aber unverzichtbar für Absicherung und Kalibrierung. Die beste Vorgehensweise ist, den virtuellen Prüfstand für Vorauslegung und Variantenreduktion zu nutzen und den physischen Prüfstand für Validierung und finale Freigabe.

Ein vollfaktorieller Versuchsplan untersucht alle Kombinationen der gewählten Parameterstufen. Dadurch können Haupteffekte und Wechselwirkungen sehr vollständig analysiert werden. Der Nachteil ist, dass die Anzahl der Versuche oder Simulationen mit jeder zusätzlichen Variable stark wächst. Vollfaktorielle Pläne sind deshalb eher für wenige Parameter oder günstige Berechnungen geeignet.

Vorhersagegenauigkeit beschreibt, wie nahe Modellvorhersagen an den Referenzwerten liegen. Sie wird häufig mit Fehlermaßen wie MAE, MSE oder relativen Fehlern bewertet. In Engineering-Anwendungen ist entscheidend, ob die Genauigkeit für die technische Entscheidung ausreicht. Eine Vorhersage muss nicht perfekt sein, aber sie muss innerhalb des relevanten Designraums verlässlich genug sein.

XGBoost ist eine besonders verbreitete und effiziente Implementierung von Gradient Boosting. Es wird häufig für strukturierte tabellarische Daten verwendet und erreicht oft hohe Genauigkeit bei relativ kurzer Trainingszeit. Im Engineering eignet es sich für Surrogatmodelle, Fehlerklassifikation, Qualitätsprognosen und schnelle Variantenbewertung. Wie bei allen ML-Modellen sind Datenqualität, Feature-Auswahl und Validierung wichtiger als der reine Algorithmusname.

Die Zielfunktion beschreibt, was ein Optimierungsalgorithmus verbessern soll. Sie kann z.B. Druckverlust minimieren, Wärmeübergang maximieren, cW-Wert reduzieren oder Wirkungsgrad erhöhen. Bei mehreren Zielen können Zielfunktionen gewichtet oder als Mehrzieloptimierung formuliert werden. Eine schlecht definierte Zielfunktion führt häufig zu rechnerisch guten, aber technisch unbrauchbaren Lösungen.

Eine Zielgröße ist die Größe, die ein Machine-Learning-Modell lernen oder optimieren soll. Bei überwachten Lernverfahren ist sie der Referenzwert, gegen den die Modellvorhersage verglichen wird. In CAE-Projekten können Zielgrößen z.B. cW-Wert, maximale Zelltemperatur, Druckverlust, Abtrieb oder NOx-Emission sein. Die Zielgröße muss technisch sinnvoll, messbar oder berechenbar und konsistent über alle Datenpunkte definiert sein.