Nutzung neuronaler Netzwerke zur Virtualisierung am Beispiel von Brennraumvorgängen

Ein interessantes Anwendungsgebiet für neuronale Netze ist die Abbildung von Systemkomponenten in 100 bis 1000-facher Echtzeit bei gleichzeitig hoher Qualität. Aufgrund der eingeschränkten Extrapolationsfähigkeit von neuronalen Netzen müssen in der Trainingsphase jedoch Daten für alle möglicherweise auftretenden Betriebszustände vorliegen. Da die dafür notwendigen Datenmengen nicht mittels Prüfstandsversuchen erzeugt werden können, müssen schnelle, vorhersagefähige und einfach parallelisierbare Simulationsmodelle dafür genutzt werden. Beispielsweise kann die Arbeitsprozessrechnung in Kombination mit phänomenologischen Modellen die grundlegenden Vorgänge im Brennraum ausreichend gut abbilden.In diesem Beitrag wird beschrieben, wie zunächst mittels vorhandener Softwaretools über drei Millionen Betriebspunkte eines Ottomotors simuliert werden. Mit einem Teil dieser Daten wird im weiteren Verlauf ein neuronales Netz trainiert, damit dieses die wichtigen Verbrennungskenngrößen Schwerpunktlage, Spitzendruck und indizierter Mitteldruck vorhersagen kann. Im Anschluss erfolgt eine Bewertung des trainierten Netzes mittels der restlichen Testdaten. Neben den gängigen statistischen Auswertungen wird dabei auch anhand zweier exemplarischer Last- und Lambda-Variationen die Wiedergabequalität des neuronalen Netzes im Kennfeld aufgezeigt.Die Arbeit stellt den Auftakt zum Aufbau einer Methodik dar, welche die allgemeinen Fortschritte der künstlichen Intelligenz in den Entwicklungsprozess von Verbrennungsmotoren einbinden soll.