Erarbeitung eines Machine-Learning-Modells zur Vorhersage der Temperaturverteilung auf Platten. Drei verschiedene Modellarchitekturen wurden untersucht: Fourier Neural Operator (FNO), Variable Input Deep Operator Network (VIDON) und General Neural Operator Transformer (GNOT). Die Experimente zeigten, dass das GNOT-Modell die genauesten Vorhersagen lieferte, während die Skalierung der Daten die Modellleistung weiter verbessern konnte.
Machine Learning, Physikalische Simulation, FNO, VIDON, GNOT, Ausreisserentfernung, Datenskalierung, Python, PyTorch
Das Ziel dieser Arbeit war es, das Potenzial von Machine-Learning-Modellen zur Vorhersage physikalischer Phänomene zu evaluieren. Der Fokus lag auf der Vorhersage der Temperaturverteilung von Platten anhand von Wärmeverteilungsdaten. Drei Modellarchitekturen wurden untersucht, um ihre Eignung und Genauigkeit zu bewerten. Dabei wurden Fragestellungen zu den zugrundeliegenden Datenstrukturen, der Modellkomplexität und der Datenvorbereitung beantwortet.
Die Modellierung physikalischer Probleme ist von zentraler Bedeutung in zahlreichen wissenschaftlichen Disziplinen. Traditionelle Methoden wie die Finite-Elemente-Methode (FEM) und die Finite-Differenzen-Methode (FDM) erfordern ein tiefes Verständnis der zugrundeliegenden physikalischen Gesetze und sind besonders rechenintensiv bei komplexen Geometrien und Randbedingungen. Mit dem Aufkommen von Machine Learning eröffnen sich neue Möglichkeiten zur Modellierung physikalischer Phänomene.
Die besten Ergebnisse wurden mit der “GNOT”-Architektur erzielt. Sie zeigte jedoch Schwächen bei der Vorhersage von Platten mit extremen Bedingungen. Die Experimente zur Datenskalierung zeigten, dass die Standard-Skalierung, insbesondere pro Platte, die Modellleistung verbessern kann. Die relative Ausreisserentfernung mittels IQR-Faktoren erwies sich jedoch als weniger effektiv.
Institut für Data Science I4DS
Bahnhofstrasse 5
5210
Windisch
Luca Mazzotta, Marvin von Rappard
