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.

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.

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.

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.

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.

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.

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.

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.

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 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.

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.

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.

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.

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.

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.

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.

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 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.

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.

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.

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.

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 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.

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.

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.

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.

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.