KI-basierte Vorhersage von Eigenschaften magnetorheologischer Fluide

Bild 1: Simulationen von MRF in einer Kanalströmung ohne Polarisation (links) und mit Polarisation (rechts). Im polarisierten Fall bilden sich Ketten aus den Eisenpartikeln, welche die effektive Scherviskosität des MRF stark erhöhen. Grafik: L. Morand, A. Butz, C. Bierwisch

DOI 10.37544/0720-5953-2023-07-08-58

Vorspann Der Einsatz von künstlicher Intelligenz zur zeiteffizienten Vorhersage des Verhaltens komplexer Systeme ist eine immer beliebtere Herangehensweise in den Ingenieurswissenschaften. In der vorliegenden Arbeit werden im Speziellen maschinelle Lernverfahren genutzt, um die Auswirkungen von Systemparametern und Eigenschaften eines magnetorheologischen Fluids auf dessen räumliche Struktur zu analysieren. Unter anderem wird ein Random Forest-Modell verwendet, das es zusätzlich erlaubt eine Abschätzung der Signifikanz der Systemparameter für dessen Vorhersage zu bilden. Die Datengrundlage bilden Ergebnisse aus Partikelsimulationen mit der Software SimPARTIX.

AI-based prediction of magnetorheological fluid properties

Abstract Using artificial intelligence (AI) to efficiently predict the behavior of complex systems has been gaining popularity in engineering. In the present work, methods of machine learning are employed to analyze the influence of system parameters and properties of a magnetorheological fluid on its spatial structure. In particular, a random forest model is used to estimate the significance of system parameters for its predictions. The training data for the machine learning models is obtained from particle simulations using the software SimPARTIX.

KONSTRUKTION (2023) NR. 07–08