35. Einsparung kostenintensiver Experimente und Simulationen durch Maschinelles Lernen

Die Anwendung von Methoden des Maschinellen Lernens birgt großes Potenzial für die Beschleunigung technischer Prozesse und die damit verbundene Reduktion von Kosten. Auf Basis vorhandener Daten können neuronale Netze trainiert werden, die Ergebnisse teurer experimenteller Untersuchungen oder zeitaufwändiger Simulationen zuverlässig vorhersagen und diese somit ersetzen können. 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 für einen Datensatz trainiertes Netz mittels einer Filtermethode an einen neuen Datensatz mit veränderten Eingabe- und/oder veränderten Zielgrößen effizient und zeitsparend angepasst werden kann. Die Filtermethode ersetzt dabei das meist sehr zeitaufwändige Training eines neuronalen Netzes mittels Forward- und Backpropagation. Die Anwendbarkeit und Effizienz der präsentierten Methoden wird anhand zweier realer technischer Beispiele demonstriert, wobei die Leistungsfähigkeit bezüglich der Vorhersagequalität und der Rechenzeit analysiert wird.