Promovierende

• Wissenschaftliches maschinelles Lernen
  • Physik-informierte neuronale Netze
  • Kombination numerische Methoden und maschinelles Lernen
• Hybride digitale Zwillinge kritischer Infrastrukturen
  • Modell- und datenbasierte digitale Zwillinge

Modell- und datenbasierte digitale Zwillinge (Arbeitstitel)

Kritische Infrastrukturbauwerke sind von besonderer ingenieurtechnischer Bedeutung, insbesondere im Hinblick auf ihre Stabilität und Überwachung. Die Standsicherheit solcher Bauwerke wird in der Regel durch physikalische Modelle und standardisierte Nachweisverfahren sichergestellt. Die Überwachung von Bauwerken kann mit Hilfe sogenannter digitaler Zwillinge erfolgen, die Änderungen der Randbedingungen und Einwirkungen während der Lebensdauer eines Bauwerks der kritischen Infrastruktur berücksichtigen und einen Hinweis darauf geben, inwieweit die mechanische Festigkeit und Stabilität beeinträchtigt sein könnte. Infolgedessen werden Bauwerke in kürzeren Abständen inspiziert oder gewartet, um einem möglichen Versagen entgegenzuwirken.

Jüngste Erkenntnisse auf dem Gebiet der physikalisch informierten neuronalen Netze haben es möglich gemacht, die physikalische Modellierung, die die Grundlage für digitale Zwillinge bildet, mit dem Potenzial des maschinellen Lernens zu kombinieren.

Ziel dieser Arbeit ist es, das Potenzial dieser Verknüpfung im Hinblick auf klassische ingenieurwissenschaftliche Fragestellungen zu untersuchen und an den aktuellen Stand der Forschung anzuknüpfen. In diesem Zusammenhang werden sowohl offene Fragen in den Grundlagen als auch mögliche Anwendungen im Bereich kritischer Infrastrukturen bearbeitet.