Surrogate modeling and AI in hybrid simulation
Description
Hybrid simulation is a paradigm for dynamics simulation that combines physical experiments and computational models (physical and numerical substructures, respectively) in real-time into a hybrid model. Due to the experimental costs associated with each simulation, however, hybrid simulation is often performed on a small set of arbitrarily selected experimental samples, the generalizability of which cannot be guaranteed.
In this project we introduce advanced methods from the field of uncertainty quantification (UQ) to dramatically improve the efficiency of data collection in hybrid simulation. By combining random sampling of the input parameter space and surrogate models, deep sensitivity analysis of complex hybrid systems can be assessed at low experimental costs throughout the entire input space (external pageAbbiati et al., 2020).
Additionally, we introduce modern adaptive AI-based statistical learning techniques to perform goal-oriented experimental campaigns. We demonstrate how these can further reduce costs in otherwise expensive applications, such as reliability analysis and model calibration.
Hybridsimulation ist ein Paradigma für dynamische Simulationen, das physische Experimente und Computersimulationen in Echtzeit in einem Hybridmodell zusammenführt. Dabei werden einige der Komponenten des zu simulierenden Systems physisch, andere numerisch simuliert. Wegen der hohen Kosten des experimentellen Teils werden Hybridsimulationen jedoch oft nur für eine geringe Anzahl physischer Proben durchgeführt, was die Verallgemeinerung der Ergebnisse erschwert.
In diesem Projekt werden fortgeschrittene Methoden aus dem Bereich der Ungewissheitsquantifizierung eingeführt, welche die Effizienz der Datenerhebung für Hybridsimulationen dramatisch verbessern. Durch die Verwendung von zufälliger Probenahme im Parameterraum und von Ersatzmodellen kann eine globale Sensitivitätsanalyse für komplexe Hybridsysteme kostengünstig durchgeführt werden (external pageAbbiati et al., 2020).
Zusätzlich führen wir moderne adaptive statistische Lernmethoden basierend auf künstlicher Intelligenz ein, um zielorientierte Versuchsreihen durchzuführen. Wir zeigen auf, wie diese Methoden darüber hinaus Kosten in teuren Anwendungen wie Zuverlässigkeitsanalysen und Modellkalibrierungen verringern können.