Motivation
Die Transformation hin zu nachhaltigen und CO2- neutralen Lösungen erfordert weitreichende Investitionen in die Energie-, Gebäude- und Produktionsinfrastrukturen in Deutschland und Europa. Um diese ganzheitlich auszulegen, zu optimieren und dabei saisonale Einflüsse zu berücksichtigen, sind stark verbesserte simulationsbasierte Prozesse nötig. Skalierbare, wiederverwendbare, glaubwürdige virtuelle Prototypen und während des Betriebs anpassbare digitale Zwillinge sind notwendige Voraussetzungen, um Ingenieure und Entscheider zu befähigen, Energie und Treibhausgasemissionen über dem gesamten Lebenszyklus eines Produkts zu minimieren.
Ziele und Vorgehen
Ziel des Projekts OpenSCALING ist es, die Leistungsfähigkeit bestehender, offener Standards und Werkzeugketten im Bereich Modellierung, Simulation und Optimierung stark zu erhöhen. Insbesondere sollen wesentlich größere Systeme und Szenarien einschließlich möglicher Unsicherheiten über lange Zeiträume simuliert und optimiert werden können. Anhand industrieller Anwendungsfälle aus den Bereichen Energie, Gebäude, Luftfahrt und Verkehr soll demonstriert werden, wie sich auf diese Weise Energie und Treibhausgasemissionen reduzieren lassen.
Innovationen und Perspektiven
Die im Projekt zu entwickelnden Methoden sollen ermöglichen, nicht nur gleichungsbasierte, sondern auch große Modelle (>100 Mio. Gleichungen) zu verarbeiten. Bestehende Standards konsistent zu erweitern, um künstliche neuronale Netze zu beschreiben, wird es erlauben, klassische Modellierungstechniken mit Methoden der Künstlichen Intelligenz zu verknüpfen und damit die Recheneffizienz von Simulationen und digitalen Zwillingen drastisch zu erhöhen. Darüber hinaus werden die Glaubwürdigkeit und Belastbarkeit von Simulationsergebnissen deutlich erhöht, indem die Standards um Meta-Daten erweitert werden, die unter anderem Unsicherheitsinformationen enthalten. Diese Technologien werden weitreichende Entscheidungen zur Realisierung klimafreundlicher Lösungen auch für große Systeme zuverlässig absichern können.