Neuronale Netze basierend auf physikalischen Gleichungen, Anwendungen von Physics-Informed Neural Networks
anhand von Beispielen in der Strömungsberechnung.
KI und neuronale Netze werden gedanklich meist mit dem Lernen einer Vielzahl von Daten verbunden. Insbesondere bei komplexen Anwendungen in der Strömungsmechanik sind meist wenige Daten bzw. Parametervariationen vorhanden, so dass die Anwendung bisheriger Machine Learning Anwendungen nur bedingt möglich ist. Neuere Entwicklungen – sogenannte Physics Informed Neural Networks (PINN) – nutzen physikalische Grundgleichungen anhand derer das neuronale Netzwerk trainiert wird.
Im Rahmen des Vortrags werden vier unterschiedliche Beispiele aus Anwendungen der Strömungsmechanik im Maschinenbau und der Verfahrenstechnik gezeigt. Dabei werden neben PINN‘s auch klassische Verfahren und deren
Anwendung zum Vergleich beschrieben. Ausgehend von konkreten Problemstellungen erfolgt eine kurze Einführung in die verwendete Methode und deren gezielte Anwendung auf das Problem. Am Ende des Vortrags werden gängige ML-Tools vorgestellt und Hinweise zur Umsetzung in eigenen Anwendungen gegeben.
Weitere Informationen auf der Website des Packaging Valley
Zielgruppe
Geschäftsführende, insbesondere von kleinen und mittleren Unternehmen, Entwicklungsleitende, Forschungsleitende, Leitende Digitalisierung, KI-Interessierte, Ingenieurinnen/Ingenieure in der Berechnung
Anmeldung
Die Teilnahme ist kostenfrei, eine Anmeldung ist erforderlich.
Veranstalter
Packaging Valley, die Wirtschaftsförderung Region Stuttgart GmbH ist Partnerin der Veranstaltung
