Diese Studie stellt eine allgemeine Methode zur Bestimmung von Ersatzmodellen für Optimalregelungsanwendungen für lichtbezogene Größen vor. Sie wird als Inzidenzoperator-Methode bezeichnet und umfasst die Schritte Sampling, Modelltraining und Modellexport.
Im Gegensatz zu matrixbasierten Methoden ist maschinelles Lernen ein grundlegender Bestandteil dieser neuen Methode. Dies beinhaltet die Fähigkeit, komplexe Abhängigkeiten lichtbezogener Größen von anpassbaren Material- und Geometrieeigenschaften darzustellen, sowie die Möglichkeit, Modelle in einem standardisierten Format (z. B. FMI, ONNX) zu exportieren. Darüber hinaus wurden Komponenten entwickelt, um das Sampling von Trainingsdaten aus parametrischen CAD-Entwürfen zu optimieren. Die damit verbundene höhere Auflösung zeigt räumliche Diskontinuitäten auf, für die ein neuartiger Modellierungsansatz und eine Integrationsmethodik entwickelt wurden.
Die Inzidenzoperator-Methode wurde mit der verbesserten Zweiphasenmethode anhand von zwei Szenen validiert. Basierend auf jährlichen Simulationen zeigt die einfache Szene eine hohe Übereinstimmung (nMAE<2,1 %), während die komplexe Verschattungsszene räumliche Diskontinuitäten aufweisen, die zu einer erhöhten Abweichung führt (nMAE<11,9 %).
Die Publikation ist unter dem Link https://www.researchgate.net/publication/395416022_A_parametric_design_integrated_sampling_and_general_training_approach_for_optimal_control_oriented_surrogate_models_of_light-related_quantities zum Download verfügbar.
Autoren:
- Simon Oskar Weber, Institut für Akustik und Bauphysik, Universität Stuttgart
- Sarith Subramaniam, Unabhängiger Forscher, Berlin
- Philip Leistner, Institut für Akustik und Bauphysik, Universität Stuttgart
