Wie maschinelles Lernen (ML) bei der Simulation von EMV relevanten Themen unterstützen kann

René Fuger, CADFEM (Austria) GmbH; 
Frank Weiand, Steffen Seewald, CADFEM Germany GmbH

Abstract

Simulation ist ein wesentliches Werkzeug in der Forschung und bei der Entwicklung von neuen Produkten. Hierbei geht es neben der Funktionalität auch um die Sicherheit und Einhaltung von Grenzwerten, wie z.B. in Normen zur Elektromagnetische Verträglichkeit (EMV). Die EMV umfasst mehrere Aspekte der Elektromagnetik und, so wie in einem Prüflabor unterschiedliche Messungen relevant sind, müssen auch bei der Simulation unterschiedliche numerischen Analysen durchgeführt werden.

Traditionell wird bei der EMV-Simulation elektromagnetische Vollwellensimulation (z.B. basierend auf FDTD, FEM, MoM) für die Analyse der elektromagnetischen Effekte eingesetzt. Die Modelle sind hier jedoch häufig rechenintensiv und aufwendig bei der Erstellung. Hierbei kann maschinelles Lernen (ML) in mehreren Bereichen unterstützen und ermöglicht Optimierungen. Einsatzmöglichkeiten sind unteranderem bei der Beschleunigung von Simulationen durch Verhaltensmodelle erstellt durch ML (Surrogat Modelle), Automatisierung der Modellerstellung (z.B. Erkennen von Geometrien, automatische Parametrisierung, usw.), Fehlererkennung aufgrund von Erfahrungen (z.B. datengetriebene Modellierung, erlernen von Schemas, usw.), Optimierung aufgrund von Vorhersagen und vieles mehr.

Wir haben uns anhand von Beispielen angesehen, wo maschinelles Lernen im Bereich der EMV-Simulation Potential hat. Dabei wurden unterschiedliche Methoden und Simulationsanwendungen untersucht und typische Fragen zu Aufwand, Vorhersagegenauigkeit, Effizienz, Implementierung, usw. betrachtet. Eine Methode, die wir genauer betrachtet haben, ist der Deep Infinite Mixture of Gaussian Processes welcher sehr vielversprechend Ergebnisse im Bereich der Feldsimulation liefert.