Simulation dynamischer Systeme mit neuronalen Netzen

Paul Strasser

Publikation: AbschlussarbeitMasterarbeit

Abstract

Die vorliegende Arbeit beschäftigt sich mit der Simulation von dynamischen Systemen unter Einsatz neuronaler Netze. Dafür wird eine Aufarbeitung der theoretischen Grundlagen vorgenommen, sowie Experimente zum Vergleich verschiedener Netzwerkarchitekturen und Trainingsmethoden angestellt. Weiters wird auf die relevanten Algorithmen und Details zur Implementierung eingegangen. Die Interpretation der Zustände eines dynamischen Systems als diskrete Folge erlaubt eine Black-Box-Modellierung, die eine einfache Umlegung der Eingangs-Ausgangs-Beziehung eines dynamischen Systems auf ein neuronales Netz ermöglicht.
Die Erstellung ausgefeilter Simulationsmodelle von realen Systemen ist oft sehr zeit- und kostenintensiv, andererseits nimmt die Menge und Qualität von Messdaten stetig zu, was datenbasierte Modellierungsansätze zunehmend attraktiver macht. Zusätzlich profitiert das maschinelle Lernen von fortlaufenden Verbesserungen der relevanten Algorithmen, immer höherer Rechenleistung besonders im Hinblick auf Parallelisierbarkeit von Berechnungen auf modernen Grafikkarten sowie der Verbreitung von benutzerfreundlicher Software-Infrastruktur.
Es ist im Allgemeinen unklar, welche Netzwerkarchitektur sich am besten eignet, um Problemstellungen dieser Art zu lösen. In dieser Arbeit wird auf Basis von experimentellen Resultaten untersucht, welche Netzwerkarchitektur, bei Bearbeitung eines ähnlichen Problems, eine gute Grundlage liefert. Um die Fähigkeiten der neuronalen Netze zu demonstrieren, werden diese mit synthetischen und mit Messdaten eines Pneumatikventils trainiert und anschließend mit professionellen Simulationsmodellen verglichen.
OriginalspracheDeutsch
QualifikationMaster of Science
Gradverleihende Hochschule
  • TU Wien
Betreuer/-in / Berater/-in
  • Körner, Andreas, Betreuer:in, Externe Person
  • Pfeffer, Andreas, Betreuer:in
Datum der Bewilligung26 Nov. 2024
PublikationsstatusVeröffentlicht - 26 Nov. 2024

Research Field

  • Complex Dynamical Systems

Diese Publikation zitieren