Künstliche Intelligenz Welches Potenzial hat die Kombination von KI und physikalischen Modellen?

Anbieter zum Thema

MPDV Mikrolab GmbH

Trebing & Himstedt Prozeßautomation GmbH & Co. KG

Transition Technologies PSC Germany GmbH

LeanBI AG

Kombiniert man Künstliche Intelligenz mit physikalischen Modellen, kann das auch die Entwicklung komplexer Produkte und Prozesse vereinfachen und beschleunigen. Die folgenden fünf Anwendungsfälle demonstrieren das.

Flugzeugflügel sind ein aerodynamisches Wunderwerk. Sie sollen den notwendigen Auftrieb liefern, für Stabilität und Manövrierfähigkeit sorgen und gleichzeitig so geformt sein, dass sie der Luft möglichst wenig Widerstand bieten, um den Kerosin-Verbrauch zu senken.

Doch für die Berechnung der optimalen Strömungseigenschaften mit physikalischen Simulationen benötigt man Unmengen an Daten. Mit Hilfe von Künstlicher Intelligenz beziehungsweise Machine Learning ist es dann möglich, Simulationen zu prognostizieren und damit schneller und effizienter die bestmöglichen Strömungsformen zu finden.

Umgekehrt vereinfacht die Anwendung physikalischer Modelle die Entwicklung von KI-Algorithmen. Generell sind drei Kombinationen möglich:

• 1. Die physikalischen Modelle speisen die KI,

• 2. die KI speist die physikalischen Modelle oder

• 3. beide laufen parallel und ergänzen sich (hybride Modelle).

KI

Mehr Datenschutz durch verteiltes maschinelles Lernen

Fünf mögliche Einsatzszenarien

• 4. Produktionsplanung: Die optimale Auslastung einer Produktionsstraße und deren Teilstrecken, etwa einer Lackieranlage in der Automobilproduktion, ist angesichts der Variantenvielfalt ein komplexer Prozess. Bei der Durchlaufoptimierung werden vorab verschiedene Situationen simuliert, um darauf die Produktionsplanung, auch mit Hilfe von Künstlicher Intelligenz, tagesweise aufzusetzen.

• 5. Predictive Maintenance von Bauteilen: Kritische Bauteile, wie etwa ein Wälzlager, werden mit Hilfe von Sensoren überwacht. Dabei ist es wichtig, bei der Detektion verschiedener Schadenstypen verfälschende Umwelteinflüsse auszuschließen. Für entsprechende Lösungen werden ML-Modelle eingesetzt, die wiederum mit physikalischen Algorithmen gefüttert wurden.

• 6. Schadenserkennung an Bauwerken: Die Strukturanalyse, also etwa die Identifizierung der Spannungsverteilungen innerhalb von Turm- oder Brückenkonstruktionen, erfolgt nach der Finite-Elemente-Methode, kurz FEM. Bei einer laufenden Überwachung direkt an der Konstruktion oder mit optischen Verfahren wie Drohnenkameras werden KI-Modelle eingesetzt. Die Kombination von Strukturanalyse und KI hilft, den Risikograd von Schäden zu erkennen und falls notwendig vorsorgliche Reparatur- oder Renovierungsmaßnahmen daraus abzuleiten.

• 7. Präsenzkontrolle in Innenräumen: Durch den Einsatz kostengünstiger Sensoren können die CO₂-Profile in Innenräumen aufgenommen werden. Das ermöglicht es, die Präsenz von Personen unter Beibehaltung des Datenschutzes zu erfassen. Die Innenräume weisen jedoch unterschiedlichste Durchlüftungscharakteristiken auf. Um trotzdem aussagekräftige Ergebnisse zu erzielen, wird die KI-Analytik einmalig automatisiert mit physikalischen Modellen auf die Spezifika des jeweiligen Innenraums kalibriert.

• 8. Training von Roboterarmen: Mit Hilfe von Reinforcement Learning werden nach dem Prinzip von Belohnung und Bestrafung Strategien des Greifens erlernt. So können Roboterarme lernen, Objekte unterschiedlichster Formen in undefinierter Lage zu greifen. Für das Training dieser KI-Modelle sind die Daten sehr viel einfacher durch Simulation der Roboterbewegungen zu erstellen, als durch kostspielige echte Testläufe.

Die Kombination von physischen Modellen und Künstlicher Intelligenz ist auf eine Vielzahl ganz unterschiedlicher Prozesse anwendbar. Sie ist daher breit nutzbar und eröffnet neue praktische Optionen zur Anwendung von KI beziehungsweise ML.

* Marc Tesch ist Inhaber und CEO des Data-Science-Spezialisten Lean BI.

(ID:48672543)