"Ich bin fest davon überzeugt, dass KI kurz davor steht, Simulationen im industriellen Maßstab zu verändern. Jeden Tag werden Abertausende von Rechenstunden für die Modellierung von Turbulenzen, die Simulation von Flüssigkeits- oder Luftströmungen, die Wärmeübertragung in Materialien, Verkehrsströme und vieles mehr aufgewendet. Viele dieser Prozesse folgen ähnlichen Grundmustern, benötigen jedoch unterschiedliche und extrem spezialisierte Softwares, um sie zu simulieren. Schlimmer noch, für unterschiedliche Parametereinstellungen müssen die aufwendigen Simulationen von Grund auf neu durchgeführt werden", sagt Prof. Dr. Johannes Brandstetter von der JKU Linz. Er ist einer der wenigen Spitzenforscher auf dem Gebiet der Simulation und KI.

Zurück zu Siemens Energy: Unsere Kernaussagen

Integration von maschinellem Lernen: Siemens Energy hat maschinelles Lernen in seinen Designprozess integriert, um die Grenzen der Rechenzeit bei der Turbinenoptimierung zu überwinden. Dies hat zu schnelleren und robusteren Designs geführt.

Modelle für maschinelles Lernen: Das Unternehmen experimentierte mit verschiedenen Modellen des maschinellen Lernens, um das effizienteste Modell für die Vorhersage von Ergebnissen mit minimalen Trainingsdaten zu finden. Bayes'sche Modelle und Gauß'sche Prozesse erwiesen sich als effektiv, da sie in der Lage sind, ihre eigenen Gewissheitsgrade vorherzusagen.

Beschleunigung der Simulation: Durch die Integration von KI-Tools in den Arbeitsablauf gelang es Siemens Energy, zeitaufwändige Simulationen durch Vorhersagen mit maschinellem Lernen zu ersetzen und so den Entwurfsprozess erheblich zu beschleunigen.

Generativer Entwurf: Die neueste Forschung konzentriert sich auf generatives Design und 3D-Surrogate mit dem Ziel, Vorhersagen über jede beliebige Turbinengeometrie innerhalb von Sekunden zu treffen - eine Aufgabe, die früher Wochen dauerte.

Anwendungen für robustes Design: Modelle des maschinellen Lernens wurden eingesetzt, um die Robustheit von Turbinendesigns zu gewährleisten, indem sie mit einer Vielzahl von Variationen getestet wurden, wodurch ihre Leistung unter verschiedenen Bedingungen garantiert wurde.

Effizienzgewinne: Im Laufe der Jahre hat Siemens Energy den Wirkungsgrad seiner Turbinen durch die Integration von maschinellem Lernen erhöht und ist damit seinem Ziel näher gekommen, höhere Wirkungsgrade zu erreichen, ohne dass physische Änderungen vorgenommen werden müssen, die die Größe oder Kosteneffizienz der Turbine beeinträchtigen könnten.

Einsparungen beim Rechenaufwand: Die Implementierung des maschinellen Lernens hat zu einer exponentiellen Verringerung der für die Turbinenkonstruktion benötigten Rechenzeit und Ressourcen geführt, was die transformative Wirkung der KI in der Industrietechnik verdeutlicht.