leanbi
14/07/2023

Blog: Neue Optimierungspotenziale dank KI und physikalischer Modelle

Neue Optimierungspotenziale dank KI und physikalischer Modelle

Physikalische Modelle und Künstliche Intelligenz können im Zusammenspiel die Entwicklung komplexer Produkte und Prozesse vereinfachen und beschleunigen. Wir zeigen in diesem Blog weiter Einsatzmöglichkeiten der beiden Technologien auf.

 

 

Die Entwicklung von Produkten kann langwierig, zeitintensiv und kostenintensiv sein. Künstliche Intelligenz und Machine Learning können den Entwicklungsprozess beschleunigen. Mithilfe von Simulationen lassen sich schneller effiziente und optimale Lösungen prognostizieren. Dabei können die Technologien unterschiedliche Anwendungen finden. Physikalische Modelle können die KI speisen, die KI kann Daten für physikalische Modelle bereitstellt oder beide laufen sich ergänzend parallel – hybride Modelle.

 

In diesem zweiten Blogbeitrag zeigen wir Ihnen drei weitere Anwendungsszenarien für den Einsatz von Künstlicher Intelligenz und Machine Learning:

 

Die Schadenserkennung von Bauwerken erfolgt nach der Finite-Elemente-Methode (FEM). Dabei wird mithilfe einer Strukturanalyse die Spannungsverteilung beispielsweise innerhalb von Türmen- und Brückenkonstruktionen identifiziert. Die Überwachung kann dabei direkt an der Konstruktion vorgenommen werden oder mithilfe von Bildgebungsverfahren wie Drohnenkameras durchgeführt werden. Ergänzt werden beide Verfahren mit Künstlicher Intelligenz. Dadurch lassen sich leichter Risikograde von Schäden erkennen und notwendige Reparatur- oder Renovierungsmaßnahmen ableiten.

 

Im Bereich der Präsenzkontrolle in Innenräumen können durch den Einsatz von Sensoren CO2-Profile unter Beibehaltung des Datenschutzes aufgenommen werden. Da Innenräume unterschiedliche Durchlüftungscharakteristiken aufweisen, müssen diese in der Ergebnisauswertung berücksichtigt werden. Eine KI-Analytik kann physikalische Modelle auf die spezifischen Bedingungen der jeweiligen Innenräume kalibrieren und damit aussagekräftige Ergebnisse erzielen.

 

KI-Modelle können auch beim Training von Roboterarmen unterstützen. Mithilfe von Reinforcement Learning werden Strategien des Greifens erlernt, sodass Roboterarme Objekte unterschiedlichster Formen in undefinierter Lage fassen können. Kostspielige echte Testläufe mit einem Roboterarm können durch Simulationen der Roboterbewegungen durch KI-Modelle ersetzt werden.

 

Die Kombination aus Künstlicher Intelligenz und physikalischen Modellen kann in vielen Anwendungsszenarien die Datenermittlung erleichtern und gleichzeitig neue Anwendungsgebiete generieren.

 

Haben wir Ihr Interesse geweckt?

 

Gerne beraten wir Sie zu diesem Thema und zeigen Ihnen auf, wie Sie Künstliche Intelligenz und physikalische Modelle in Ihrem Anwendungsbereich einsetzen können.

Marc Tesch
Letzte Artikel von Marc Tesch (Alle anzeigen)