Einsparung kostenintensiver Experimente und Simulationen durch Maschinelles Lernen

Autor: Giuseppe Visconti, Michael Rom, Michael Herty
Rok vydání: 2021
Zdroj: Monetarisierung von technischen Daten ISBN: 9783662629147
DOI: 10.1007/978-3-662-62915-4_35
Popis: Die Anwendung von Methoden des Maschinellen Lernens birgt groses Potenzial fur die Beschleunigung technischer Prozesse und die damit verbundene Reduktion von Kosten. Auf Basis vorhandener Daten konnen neuronale Netze trainiert werden, die Ergebnisse teurer experimenteller Untersuchungen oder zeitaufwandiger Simulationen zuverlassig vorhersagen und diese somit ersetzen konnen. In diesem Artikel wird ein neues neuronales Netz vorgestellt, welches auf sehr vielen Schichten (Layern) basiert und in die Kategorie des Deep Learning einzuordnen ist. Des Weiteren wird gezeigt, wie ein solches bereits fur einen Datensatz trainiertes Netz mittels einer Filtermethode an einen neuen Datensatz mit veranderten Eingabe- und/oder veranderten Zielgrosen effizient und zeitsparend angepasst werden kann. Die Filtermethode ersetzt dabei das meist sehr zeitaufwandige Training eines neuronalen Netzes mittels Forward- und Backpropagation. Die Anwendbarkeit und Effizienz der prasentierten Methoden wird anhand zweier realer technischer Beispiele demonstriert, wobei die Leistungsfahigkeit bezuglich der Vorhersagequalitat und der Rechenzeit analysiert wird.
Databáze: OpenAIRE