Simulationsbasierte digitale Zwillinge stellen einen Versuch dar, hochpräzise Echtzeiteinblicke in physikalische Betriebsprozesse zu liefern. Die Rechenzeit vieler multiphysikalischer Simulationsmodelle ist jedoch weit von Echtzeit entfernt. Sie kann sogar sinnvolle Zeitrahmen überschreiten, um ausreichend Daten für das Training datengesteuerter reduzierter Modelle zu erzeugen. Diese Studie stellt TwinLab vor, ein Framework für dateneffizientes und dennoch genaues Training von neuronalen ODE-Modellen reduzierter Ordnung mit nur zwei Datensätzen.

Weitere Einblicke finden Sie in der Veröffentlichung „TwinLab: a framework for data-efficient training of non-intrusive reduced-order models for digital twins“. Das Manuskript wurde in der Sonderausgabe der ECCOMAS CM4P-Konferenz veröffentlicht: https://doi.org/10.1108/EC-11-2023-0855

Der Pre-Print ist auch im arXiv zu finden: https://arxiv.org/abs/2407.03924