KI, künstliche Intelligenz, verändert eine Branche nach der anderen. In diesem Artikel zeigen wir Ihnen, wie unser neues künstliches neuronales Netz Ihnen helfen kann, die Simulationszeit von GHEtool erheblich zu verbessern.
Das übergreifende Problem
Ein zentrales Element bei der Simulation von Bohrfeldern ist die Berechnung von g-Funktionen. Diese dimensionslosen Funktionen beschreiben, wie sich ein Bohrlochfeld langfristig verhält, wobei die verschiedenen Bohrlöcher untereinander und mit dem umgebenden Boden interagieren. (Falls Sie unseren Artikel über g-Funktionen noch nicht gelesen haben, können Sie ihn hier finden hier.)
In der Vergangenheit war die Simulation von g-Funktionen, insbesondere für große Bohrfelder, extrem langsam. Heutzutage kann der Mensch dank einiger cleverer mathematischer Tricks und intelligenter Algorithmen diese g-Werte in etwa 0,5 Sekunden berechnen, was mehr als akzeptabel ist, wenn es um die unkomplizierte Simulation von Bohrlochtemperaturen geht.
Ein Problem ergibt sich jedoch, wenn bei komplizierteren und fortgeschrittenen Methoden mehrere g-Werte simuliert werden müssen, beispielsweise bei der Methode zur Berechnung der erforderlichen Bohrlochtiefe. Für jede Iteration erfordert dieses Ziel die Berechnung mehrerer g-Werte, was zu Simulationszeiten von zehn bis dreißig Sekunden oder manchmal sogar noch länger führt. Angesichts des Trends zu immer fortschrittlicheren Methoden ist dieser Anstieg der Simulationszeit keine gute Aussicht.
Daher wurde nach einem neuen Weg gesucht, um die Simulation dieser g-Funktionen zu beschleunigen, ohne dabei Kompromisse bei der Genauigkeit einzugehen. An dieser Stelle kam die künstliche Intelligenz, genauer gesagt ein künstliches neuronales Netz, ins Spiel.
Künstliches neuronales Netz
KI ist ein sehr weit gefasster Begriff, der alles von großen Sprachmodellen (wie ChatGPT) bis hin zu humanoiden Robotern und selbstfahrenden Systemen umfasst. Innerhalb dieses KI-Bereichs gibt es etwas, das künstliche neuronale Netze (oder kurz ANN) genannt wird. In den nächsten Abschnitten werden wir diese ANNs vorstellen, erklären, wie wir sie trainiert haben und wie hoch ihre Genauigkeit ist.
Was ist das?
Das Konzept eines ANN besteht darin, das Verhalten des menschlichen Gehirns zu imitieren, oder zumindest die Art und Weise, wie wir glauben, dass es funktioniert. Wenn wir einen sensorischen Input erhalten, sei es ein Geruch, eine Berührung oder ein Geräusch, wird dieser an die Neuronen in unserem Gehirn gesendet, wo sich das Signal von Neuron zu Neuron bewegt, bis wir schließlich einen bestimmten Gedanken, eine Handlung, ein Gefühl usw. haben. Dieses Verhalten, bei dem wir von einer Reihe von Eingaben ausgehen und uns durch eine Reihe von Neuronen bewegen, um zu einer bestimmten Schlussfolgerung zu gelangen, ist genau das, was wir mit einem ANN zu modellieren versuchen. In der folgenden Abbildung ist eine schematische Darstellung eines ANN zu sehen.
Obwohl diese neuronalen Netze alle möglichen Formen und Ausprägungen haben können, ist die Struktur mehr oder weniger die gleiche. Ausgehend von einer Reihe von Eingangsparametern, in unserem Fall die Bohrlochdaten (Konfiguration, Tiefe, Wärmeleitfähigkeit des Bodens usw.), werden die Daten an eine Reihe von Knoten in der ersten Schicht weitergeleitet. Hier werden die Daten in jedem Knoten (oder Neuron) mit dem Wert des Neurons gewichtet und an die Neuronen der nächsten Schicht weitergeleitet. Dort findet der gleiche Prozess statt, bis wir die Ausgabeschicht erreichen, die in unserem Fall aus den entsprechenden g-Werten besteht.
Je nach Modellarchitektur Ihres ANN kann die Anzahl der versteckten Schichten sowie die Anzahl der Neuronen in jeder Schicht unterschiedlich sein. Die größte Herausforderung besteht darin, ein Modell zu finden, das gerade komplex genug ist, um die von Ihnen benötigte Physik zu erlernen oder darzustellen, und das nicht zu kompliziert ist, denn je mehr Neuronen Sie in Ihrem Modell haben, desto umfangreicher muss Ihre Trainingsmenge sein.
Ausbildung
Genau wie ein Baby, das auf die Welt kommt und noch fast alles lernen muss, kann auch unser neuronales Netz nicht von Anfang an alles richtig machen. Wie bereits gesagt, besteht das Konzept eines neuronalen Netzes darin, dass die Daten mehrere Gewichtungsknoten durchlaufen, um am Ende in die von uns benötigte Ausgabe umgewandelt zu werden. Diese Gewichtungsfaktoren sind jedoch nicht allgemein, sondern sehr fallspezifisch und modellspezifisch. Deshalb müssen wir sie trainieren und dem ANN beibringen, wie es sich verhalten soll, oder genauer gesagt, wie die g-Werte für einen bestimmten Satz von Eingaben aussehen.
!Hinweis
Das Training und die Entwicklung des ANN für diesen Bereich basiert auf der Arbeit von Tobias Blanke, der auch das ANN-Modell entwickelt hat, das derzeit in GHEtool implementiert ist.
Für unseren Trainingsdatensatz gingen wir von regelmäßigen Konfigurationen aus (Linie, L- und U-Form, Rechtecke und dichte Bohrfelder) und simulierten sie mit Parametern in den folgenden Bereichen:
- Bohrfeldgröße: 30×30 Bohrlöcher, also bis zu 900 Bohrlöcher für unsere rechteckigen und dichten Bohrfelder.
- Bohrlochtiefe: 50-400m
- Bohrlochabstände: 2-10 m
- Bohrloch-Durchmesser: 100-300mm
- Wärmeleitfähigkeit des Bodens: 2,5e-7 - 2,67e-6
Angesichts der Permutationen aller oben genannten Datenbereiche haben wir unser Modell mit über sechs Millionen Datenpunkten trainiert.
Genauigkeit
Obwohl es eine ganze Reihe verschiedener formaler Maßstäbe für die Bewertung der Genauigkeit von ANNs gibt, möchten wir es einfach und verständlich halten. In der nachstehenden Grafik sehen Sie daher die erforderliche Bohrlochtiefe für neun verschiedene Fälle, die sowohl mit dem regulären Modell (bei dem die g-Werte explizit berechnet werden) als auch mit dem ANN-Modell berechnet wurden. Die Fälle wurden so ausgewählt, dass sie ein breites Spektrum an Situationen abdecken, wie z. B. die Begrenzung durch die maximale oder minimale durchschnittliche Fluidtemperatur, unterschiedliche geothermische Wärmeströme oder variable Fluideigenschaften usw.
Aus dem obigen Diagramm ist ersichtlich, dass das reguläre Modell und das neue künstliche Modell hervorragend übereinstimmen. In den meisten Fällen hat das ANN die erforderliche Bohrlochtiefe leicht überschätzt, während in Fall 7 eine etwas geringere Tiefe simuliert wurde. Insgesamt lag die Genauigkeit des ANN innerhalb von 4% des regulären Modells, was wohl in der Größenordnung der anderen bei der geothermischen Planung verwendeten Unsicherheiten liegt.
!Hinweis
Aus Gründen der Genauigkeit wird das Temperaturprofil, das Sie in GHEtool sehen, nach Abschluss der Dimensionierung mit dem exakten, regulären Modell berechnet. Das bedeutet, dass die KI-Beschleunigung nur zur Beschleunigung der Iteration verwendet wird, um die erforderliche Tiefe zu finden, aber nicht zur Simulation der Temperaturen in dieser Tiefe. Auf diese Weise haben Sie den Vorteil eines schnelleren Modells in Kombination mit höchster Genauigkeit bei der Temperatursimulation.
In der nachstehenden Grafik ist die Simulationszeit für die verschiedenen Fälle dargestellt.
Aus dem obigen Diagramm wird deutlich, dass das ANN den regulären Ansatz deutlich übertrifft, wobei die Zeitersparnis von 25% bis zu 75% reicht. Wenn man bedenkt, dass der Unterschied in der Genauigkeit nur 4% beträgt, kann man sagen, dass dies ein guter Kompromiss ist.
!Hinweis
Neben der Berechnungszeit für die g-Funktionen benötigen auch andere Teile des Codes eine gewisse Zeit. Mit dem ANN-Modell konnte die Berechnungszeit für die g-Werte erheblich reduziert werden, wodurch andere Aspekte, wie die Berechnung des effektiven thermischen Bohrlochwiderstands, einen größeren Anteil an der Gesamtsimulationszeit haben.
Was kommt als nächstes?
Wie geht es nun weiter? Werden alle GHEtool-Berechnungen von nun an auf KI-Modellen basieren? Auf keinen Fall.
Obwohl wir den Wert des Einsatzes von KI zur Beschleunigung bestimmter Methoden erkannt und bewiesen haben, bevorzugen wir immer noch die Genauigkeit des regulären, physikbasierten Ansatzes. Aus diesem Grund ist das ANN ab heute in GHEtool bei der Verwendung des Ziels ‘Berechnung der erforderlichen Tiefe’ unter den ‘zielspezifischen Einstellungen’ verfügbar. Für andere Methoden stellt sie unserer Meinung nach noch keinen Mehrwert dar.
Die Implementierung unserer ersten ANN öffnet jedoch die Tür zu einer ganzen Reihe neuer Möglichkeiten, neuer Methoden und fortgeschrittener Optimierungen.
Bleiben Sie dran
Nächste Woche werden wir unser erstes brandneues Ziel vorstellen, das durch genau diese ANN ermöglicht wurde. Bleiben Sie dran!
Fazit
Dieser Artikel hat den Grundstein für eine ganze Reihe neuer Möglichkeiten innerhalb von GHEtool gelegt. Durch die Implementierung eines künstlichen neuronalen Netzes zur Beschleunigung der Simulationszeit von g-Funktionen kann die Berechnung der erforderlichen Bohrlochtiefenfunktion bei gleicher Genauigkeit um 25-75% beschleunigt werden.
Literaturverzeichnis
- Sehen Sie sich unsere Videoerklärung auf unserer YouTube-Seite an, indem Sie klicken hier.
- Blanke, T., Pfeiffer, F., Göttsche, J., & Döring, B. (2024, September). Künstliche neuronale Netze für die Auslegung von Erdwärmesondenfeldern. In . BauSim Konferenz 2024 (Bd. 10, S. 89-95). IBPSA-Deutschland und Österreich.