{"id":4373,"date":"2025-11-25T08:25:22","date_gmt":"2025-11-25T07:25:22","guid":{"rendered":"https:\/\/ghetool.eu\/?post_type=knowledgebase&#038;p=4373"},"modified":"2025-11-25T08:25:22","modified_gmt":"2025-11-25T07:25:22","slug":"ai-modell-zur-beschleunigung-von-simulationen","status":"publish","type":"knowledgebase","link":"https:\/\/ghetool.eu\/de_de\/wissensdatenbank\/ai-modell-zur-beschleunigung-von-simulationen\/","title":{"rendered":"AI-Modell zur Beschleunigung von Simulationen"},"content":{"rendered":"<p>KI, k\u00fcnstliche Intelligenz, ver\u00e4ndert eine Branche nach der anderen. In diesem Artikel zeigen wir Ihnen, wie unser neues k\u00fcnstliches neuronales Netz Ihnen helfen kann, die Simulationszeit von GHEtool erheblich zu verbessern.<\/p>\n<p><iframe title=\"AI-Modell zur Beschleunigung von Simulationen\" width=\"800\" height=\"450\" src=\"https:\/\/www.youtube.com\/embed\/9rZNH-UkZ48?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/p>\n<h2>Das \u00fcbergreifende Problem<\/h2>\n<p>Ein zentrales Element bei der Simulation von Bohrfeldern ist die Berechnung von g-Funktionen. Diese dimensionslosen Funktionen beschreiben, wie sich ein Bohrlochfeld langfristig verh\u00e4lt, wobei die verschiedenen Bohrl\u00f6cher untereinander und mit dem umgebenden Boden interagieren. (Falls Sie unseren Artikel \u00fcber g-Funktionen noch nicht gelesen haben, k\u00f6nnen Sie ihn hier finden <a style=\"text-decoration: underline;\" href=\"https:\/\/ghetool.eu\/de_de\/wissensdatenbank\/g-funktionen\/\">hier<\/a>.)<\/p>\n<p data-start=\"532\" data-end=\"878\">In der Vergangenheit war die Simulation von g-Funktionen, insbesondere f\u00fcr gro\u00dfe 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.<\/p>\n<p data-start=\"880\" data-end=\"1312\">Ein Problem ergibt sich jedoch, wenn bei komplizierteren und fortgeschrittenen Methoden mehrere g-Werte simuliert werden m\u00fcssen, beispielsweise bei der Methode zur Berechnung der erforderlichen Bohrlochtiefe. F\u00fcr jede Iteration erfordert dieses Ziel die Berechnung mehrerer g-Werte, was zu Simulationszeiten von zehn bis drei\u00dfig Sekunden oder manchmal sogar noch l\u00e4nger f\u00fchrt. Angesichts des Trends zu immer fortschrittlicheren Methoden ist dieser Anstieg der Simulationszeit keine gute Aussicht.<\/p>\n<p data-start=\"1314\" data-end=\"1548\" data-is-last-node=\"\" data-is-only-node=\"\">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 k\u00fcnstliche Intelligenz, genauer gesagt ein k\u00fcnstliches neuronales Netz, ins Spiel.<\/p>\n<h2>K\u00fcnstliches neuronales Netz<\/h2>\n<article class=\"text-token-text-primary w-full focus:outline-none [--shadow-height:45px] has-data-writing-block:pointer-events-none has-data-writing-block:-mt-(--shadow-height) has-data-writing-block:pt-(--shadow-height) [&amp;:has([data-writing-block])&gt;*]:pointer-events-auto [content-visibility:auto] supports-[content-visibility:auto]:[contain-intrinsic-size:auto_100lvh] scroll-mt-[calc(var(--header-height)+min(200px,max(70px,20svh)))]\" dir=\"auto\" tabindex=\"-1\" data-turn-id=\"request-WEB:eb633300-ef48-4660-93db-c81ce70d9262-4\" data-testid=\"conversation-turn-10\" data-scroll-anchor=\"true\" data-turn=\"assistant\">\n<div class=\"text-base my-auto mx-auto pb-10 [--thread-content-margin:--spacing(4)] thread-sm:[--thread-content-margin:--spacing(6)] thread-lg:[--thread-content-margin:--spacing(16)] px-(--thread-content-margin)\">\n<div class=\"[--thread-content-max-width:40rem] thread-lg:[--thread-content-max-width:48rem] mx-auto max-w-(--thread-content-max-width) flex-1 group\/turn-messages focus-visible:outline-hidden relative flex w-full min-w-0 flex-col agent-turn\" tabindex=\"-1\">\n<div class=\"flex max-w-full flex-col grow\">\n<div class=\"min-h-8 text-message relative flex w-full flex-col items-end gap-2 text-start break-words whitespace-normal [.text-message+&amp;]:mt-1\" dir=\"auto\" data-message-author-role=\"assistant\" data-message-id=\"f880ab57-7a98-471f-9543-d3c49e05ec5b\" data-message-model-slug=\"gpt-5-1\">\n<div class=\"flex w-full flex-col gap-1 empty:hidden first:pt-[1px]\">\n<div class=\"markdown prose dark:prose-invert w-full break-words light markdown-new-styling\">\n<p data-start=\"139\" data-end=\"479\" data-is-last-node=\"\" data-is-only-node=\"\">KI ist ein sehr weit gefasster Begriff, der alles von gro\u00dfen Sprachmodellen (wie ChatGPT) bis hin zu humanoiden Robotern und selbstfahrenden Systemen umfasst. Innerhalb dieses KI-Bereichs gibt es etwas, das k\u00fcnstliche neuronale Netze (oder kurz ANN) genannt wird. In den n\u00e4chsten Abschnitten werden wir diese ANNs vorstellen, erkl\u00e4ren, wie wir sie trainiert haben und wie hoch ihre Genauigkeit ist.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/article>\n<figure id=\"attachment_4375\" aria-describedby=\"caption-attachment-4375\" style=\"width: 813px\" class=\"wp-caption aligncenter\"><img fetchpriority=\"high\" decoding=\"async\" class=\"wp-image-4375 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.jpg\" alt=\"K\u00fcnstlerische Darstellung der Funktionsweise des menschlichen Gehirns. (Quelle: https:\/\/www.snexplores.org\/article\/explainer-what-is-a-neuron)\" width=\"813\" height=\"456\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.jpg 813w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-300x168.jpg 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-768x431.jpg 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-18x10.jpg 18w\" sizes=\"(max-width: 813px) 100vw, 813px\" \/><figcaption id=\"caption-attachment-4375\" class=\"wp-caption-text\">K\u00fcnstlerische Darstellung der Funktionsweise des menschlichen Gehirns. (Quelle: https:\/\/www.snexplores.org\/article\/explainer-what-is-a-neuron)<\/figcaption><\/figure>\n<p>&nbsp;<\/p>\n<h3>Was ist das?<\/h3>\n<article class=\"text-token-text-primary w-full focus:outline-none [--shadow-height:45px] has-data-writing-block:pointer-events-none has-data-writing-block:-mt-(--shadow-height) has-data-writing-block:pt-(--shadow-height) [&amp;:has([data-writing-block])&gt;*]:pointer-events-auto [content-visibility:auto] supports-[content-visibility:auto]:[contain-intrinsic-size:auto_100lvh] scroll-mt-[calc(var(--header-height)+min(200px,max(70px,20svh)))]\" dir=\"auto\" tabindex=\"-1\" data-turn-id=\"request-WEB:eb633300-ef48-4660-93db-c81ce70d9262-5\" data-testid=\"conversation-turn-12\" data-scroll-anchor=\"true\" data-turn=\"assistant\">\n<div class=\"text-base my-auto mx-auto pb-10 [--thread-content-margin:--spacing(4)] thread-sm:[--thread-content-margin:--spacing(6)] thread-lg:[--thread-content-margin:--spacing(16)] px-(--thread-content-margin)\">\n<div class=\"[--thread-content-max-width:40rem] thread-lg:[--thread-content-max-width:48rem] mx-auto max-w-(--thread-content-max-width) flex-1 group\/turn-messages focus-visible:outline-hidden relative flex w-full min-w-0 flex-col agent-turn\" tabindex=\"-1\">\n<div class=\"flex max-w-full flex-col grow\">\n<div class=\"min-h-8 text-message relative flex w-full flex-col items-end gap-2 text-start break-words whitespace-normal [.text-message+&amp;]:mt-1\" dir=\"auto\" data-message-author-role=\"assistant\" data-message-id=\"8c2bd447-3f89-4444-a2ea-7864bb6f53e7\" data-message-model-slug=\"gpt-5-1\">\n<div class=\"flex w-full flex-col gap-1 empty:hidden first:pt-[1px]\">\n<div class=\"markdown prose dark:prose-invert w-full break-words light markdown-new-styling\">\n<p data-start=\"116\" data-end=\"678\" data-is-last-node=\"\" data-is-only-node=\"\">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 Ber\u00fchrung oder ein Ger\u00e4usch, wird dieser an die Neuronen in unserem Gehirn gesendet, wo sich das Signal von Neuron zu Neuron bewegt, bis wir schlie\u00dflich einen bestimmten Gedanken, eine Handlung, ein Gef\u00fchl 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.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"z-0 flex min-h-[46px] justify-start\"><\/div>\n<div class=\"mt-3 w-full empty:hidden\">\n<div class=\"text-center\"><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/article>\n<div class=\"pointer-events-none h-px w-px\" aria-hidden=\"true\" data-edge=\"true\"><\/div>\n<figure id=\"attachment_4376\" aria-describedby=\"caption-attachment-4376\" style=\"width: 699px\" class=\"wp-caption aligncenter\"><img decoding=\"async\" class=\"wp-image-4376 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.png\" alt=\"Schematische Darstellung eines k\u00fcnstlichen neuronalen Netzes. (Quelle: https:\/\/blog.roboflow.com\/what-is-a-neural-network\/)\" width=\"699\" height=\"456\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN.png 699w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-300x196.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/ANN-18x12.png 18w\" sizes=\"(max-width: 699px) 100vw, 699px\" \/><figcaption id=\"caption-attachment-4376\" class=\"wp-caption-text\">Schematische Darstellung eines k\u00fcnstlichen neuronalen Netzes. (Quelle: https:\/\/blog.roboflow.com\/what-is-a-neural-network\/)<\/figcaption><\/figure>\n<p data-start=\"164\" data-end=\"713\">Obwohl diese neuronalen Netze alle m\u00f6glichen Formen und Auspr\u00e4gungen haben k\u00f6nnen, ist die Struktur mehr oder weniger die gleiche. Ausgehend von einer Reihe von Eingangsparametern, in unserem Fall die Bohrlochdaten (Konfiguration, Tiefe, W\u00e4rmeleitf\u00e4higkeit 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 n\u00e4chsten Schicht weitergeleitet. Dort findet der gleiche Prozess statt, bis wir die Ausgabeschicht erreichen, die in unserem Fall aus den entsprechenden g-Werten besteht.<\/p>\n<p data-start=\"715\" data-end=\"1086\" data-is-last-node=\"\" data-is-only-node=\"\">Je nach Modellarchitektur Ihres ANN kann die Anzahl der versteckten Schichten sowie die Anzahl der Neuronen in jeder Schicht unterschiedlich sein. Die gr\u00f6\u00dfte Herausforderung besteht darin, ein Modell zu finden, das gerade komplex genug ist, um die von Ihnen ben\u00f6tigte 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.<\/p>\n<h3>Ausbildung<\/h3>\n<p data-start=\"169\" data-end=\"745\">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 ben\u00f6tigte Ausgabe umgewandelt zu werden. Diese Gewichtungsfaktoren sind jedoch nicht allgemein, sondern sehr fallspezifisch und modellspezifisch. Deshalb m\u00fcssen wir sie trainieren und dem ANN beibringen, wie es sich verhalten soll, oder genauer gesagt, wie die g-Werte f\u00fcr einen bestimmten Satz von Eingaben aussehen.<\/p>\n<blockquote><p><span style=\"color: #3366ff;\"><strong>!Hinweis<\/strong><\/span><br \/>\n<span style=\"color: #3366ff;\">Das Training und die Entwicklung des ANN f\u00fcr diesen Bereich basiert auf der Arbeit von Tobias Blanke, der auch das ANN-Modell entwickelt hat, das derzeit in GHEtool implementiert ist.<\/span><\/p><\/blockquote>\n<p data-start=\"929\" data-end=\"1116\">F\u00fcr unseren Trainingsdatensatz gingen wir von regelm\u00e4\u00dfigen Konfigurationen aus (Linie, L- und U-Form, Rechtecke und dichte Bohrfelder) und simulierten sie mit Parametern in den folgenden Bereichen:<\/p>\n<ul>\n<li>Bohrfeldgr\u00f6\u00dfe: 30\u00d730 Bohrl\u00f6cher, also bis zu 900 Bohrl\u00f6cher f\u00fcr unsere rechteckigen und dichten Bohrfelder.<\/li>\n<li>Bohrlochtiefe: 50-400m<\/li>\n<li>Bohrlochabst\u00e4nde: 2-10 m<\/li>\n<li>Bohrloch-Durchmesser: 100-300mm<\/li>\n<li>W\u00e4rmeleitf\u00e4higkeit des Bodens: 2,5e-7 - 2,67e-6<\/li>\n<\/ul>\n<p data-start=\"1375\" data-end=\"1483\">Angesichts der Permutationen aller oben genannten Datenbereiche haben wir unser Modell mit \u00fcber sechs Millionen Datenpunkten trainiert.<\/p>\n<h3>Genauigkeit<\/h3>\n<article class=\"text-token-text-primary w-full focus:outline-none [--shadow-height:45px] has-data-writing-block:pointer-events-none has-data-writing-block:-mt-(--shadow-height) has-data-writing-block:pt-(--shadow-height) [&amp;:has([data-writing-block])&gt;*]:pointer-events-auto [content-visibility:auto] supports-[content-visibility:auto]:[contain-intrinsic-size:auto_100lvh] scroll-mt-[calc(var(--header-height)+min(200px,max(70px,20svh)))]\" dir=\"auto\" tabindex=\"-1\" data-turn-id=\"request-WEB:eb633300-ef48-4660-93db-c81ce70d9262-10\" data-testid=\"conversation-turn-22\" data-scroll-anchor=\"true\" data-turn=\"assistant\">\n<div class=\"text-base my-auto mx-auto pb-10 [--thread-content-margin:--spacing(4)] thread-sm:[--thread-content-margin:--spacing(6)] thread-lg:[--thread-content-margin:--spacing(16)] px-(--thread-content-margin)\">\n<div class=\"[--thread-content-max-width:40rem] thread-lg:[--thread-content-max-width:48rem] mx-auto max-w-(--thread-content-max-width) flex-1 group\/turn-messages focus-visible:outline-hidden relative flex w-full min-w-0 flex-col agent-turn\" tabindex=\"-1\">\n<div class=\"flex max-w-full flex-col grow\">\n<div class=\"min-h-8 text-message relative flex w-full flex-col items-end gap-2 text-start break-words whitespace-normal [.text-message+&amp;]:mt-1\" dir=\"auto\" data-message-author-role=\"assistant\" data-message-id=\"93bde774-2a14-4e4e-87cd-a4dd9cd505dd\" data-message-model-slug=\"gpt-5-1\">\n<div class=\"flex w-full flex-col gap-1 empty:hidden first:pt-[1px]\">\n<div class=\"markdown prose dark:prose-invert w-full break-words light markdown-new-styling\">\n<p data-start=\"168\" data-end=\"735\" data-is-last-node=\"\" data-is-only-node=\"\">Obwohl es eine ganze Reihe verschiedener formaler Ma\u00dfst\u00e4be f\u00fcr die Bewertung der Genauigkeit von ANNs gibt, m\u00f6chten wir es einfach und verst\u00e4ndlich halten. In der nachstehenden Grafik sehen Sie daher die erforderliche Bohrlochtiefe f\u00fcr neun verschiedene F\u00e4lle, die sowohl mit dem regul\u00e4ren Modell (bei dem die g-Werte explizit berechnet werden) als auch mit dem ANN-Modell berechnet wurden. Die F\u00e4lle wurden so ausgew\u00e4hlt, dass sie ein breites Spektrum an Situationen abdecken, wie z. B. die Begrenzung durch die maximale oder minimale durchschnittliche Fluidtemperatur, unterschiedliche geothermische W\u00e4rmestr\u00f6me oder variable Fluideigenschaften usw.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/article>\n<figure id=\"attachment_4377\" aria-describedby=\"caption-attachment-4377\" style=\"width: 2273px\" class=\"wp-caption aligncenter\"><img decoding=\"async\" class=\"wp-image-4377 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth.png\" alt=\"Erforderliche Bohrlochtiefe f\u00fcr 9 verschiedene F\u00e4lle, die sowohl mit dem regul\u00e4ren Modell als auch mit dem ANN simuliert wurden.\" width=\"2273\" height=\"1091\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth.png 2273w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-300x144.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-1024x492.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-768x369.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-1536x737.png 1536w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-2048x983.png 2048w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Required-borehole-depth-18x9.png 18w\" sizes=\"(max-width: 2273px) 100vw, 2273px\" \/><figcaption id=\"caption-attachment-4377\" class=\"wp-caption-text\">Erforderliche Bohrlochtiefe f\u00fcr 9 verschiedene F\u00e4lle, die sowohl mit dem regul\u00e4ren Modell als auch mit dem ANN simuliert wurden.<\/figcaption><\/figure>\n<p>Aus dem obigen Diagramm ist ersichtlich, dass das regul\u00e4re Modell und das neue k\u00fcnstliche Modell hervorragend \u00fcbereinstimmen. In den meisten F\u00e4llen hat das ANN die erforderliche Bohrlochtiefe leicht \u00fcbersch\u00e4tzt, w\u00e4hrend in Fall 7 eine etwas geringere Tiefe simuliert wurde. Insgesamt lag die Genauigkeit des ANN innerhalb von 4% des regul\u00e4ren Modells, was wohl in der Gr\u00f6\u00dfenordnung der anderen bei der geothermischen Planung verwendeten Unsicherheiten liegt.<\/p>\n<blockquote><p><span style=\"color: #3366ff;\"><strong>!Hinweis<\/strong><\/span><br \/>\n<span style=\"color: #3366ff;\">Aus Gr\u00fcnden der Genauigkeit wird das Temperaturprofil, das Sie in GHEtool sehen, nach Abschluss der Dimensionierung mit dem exakten, regul\u00e4ren 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 h\u00f6chster Genauigkeit bei der Temperatursimulation.<\/span><\/p><\/blockquote>\n<article class=\"text-token-text-primary w-full focus:outline-none [--shadow-height:45px] has-data-writing-block:pointer-events-none has-data-writing-block:-mt-(--shadow-height) has-data-writing-block:pt-(--shadow-height) [&amp;:has([data-writing-block])&gt;*]:pointer-events-auto [content-visibility:auto] supports-[content-visibility:auto]:[contain-intrinsic-size:auto_100lvh] scroll-mt-[calc(var(--header-height)+min(200px,max(70px,20svh)))]\" dir=\"auto\" tabindex=\"-1\" data-turn-id=\"request-WEB:eb633300-ef48-4660-93db-c81ce70d9262-11\" data-testid=\"conversation-turn-24\" data-scroll-anchor=\"true\" data-turn=\"assistant\">\n<div class=\"text-base my-auto mx-auto pb-10 [--thread-content-margin:--spacing(4)] thread-sm:[--thread-content-margin:--spacing(6)] thread-lg:[--thread-content-margin:--spacing(16)] px-(--thread-content-margin)\">\n<div class=\"[--thread-content-max-width:40rem] thread-lg:[--thread-content-max-width:48rem] mx-auto max-w-(--thread-content-max-width) flex-1 group\/turn-messages focus-visible:outline-hidden relative flex w-full min-w-0 flex-col agent-turn\" tabindex=\"-1\">\n<div class=\"flex max-w-full flex-col grow\">\n<div class=\"min-h-8 text-message relative flex w-full flex-col items-end gap-2 text-start break-words whitespace-normal [.text-message+&amp;]:mt-1\" dir=\"auto\" data-message-author-role=\"assistant\" data-message-id=\"9b71b445-c2f7-43fc-a610-5c4b796c89d4\" data-message-model-slug=\"gpt-5-1\">\n<div class=\"flex w-full flex-col gap-1 empty:hidden first:pt-[1px]\">\n<div class=\"markdown prose dark:prose-invert w-full break-words light markdown-new-styling\">\n<p data-start=\"1018\" data-end=\"1091\" data-is-last-node=\"\" data-is-only-node=\"\">In der nachstehenden Grafik ist die Simulationszeit f\u00fcr die verschiedenen F\u00e4lle dargestellt.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/article>\n<figure id=\"attachment_4378\" aria-describedby=\"caption-attachment-4378\" style=\"width: 2273px\" class=\"wp-caption aligncenter\"><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-4378 size-full\" src=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time.png\" alt=\"Simulationszeit f\u00fcr die Berechnung der erforderlichen Bohrlochtiefe f\u00fcr 9 verschiedene F\u00e4lle.\" width=\"2273\" height=\"1092\" srcset=\"https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time.png 2273w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-300x144.png 300w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-1024x492.png 1024w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-768x369.png 768w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-1536x738.png 1536w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-2048x984.png 2048w, https:\/\/ghetool.eu\/wp-content\/uploads\/2025\/11\/Simulation-time-18x9.png 18w\" sizes=\"(max-width: 2273px) 100vw, 2273px\" \/><figcaption id=\"caption-attachment-4378\" class=\"wp-caption-text\">Simulationszeit f\u00fcr die Berechnung der erforderlichen Bohrlochtiefe f\u00fcr 9 verschiedene F\u00e4lle.<\/figcaption><\/figure>\n<p>Aus dem obigen Diagramm wird deutlich, dass das ANN den regul\u00e4ren Ansatz deutlich \u00fcbertrifft, wobei die Zeitersparnis von 25% bis zu 75% reicht. Wenn man bedenkt, dass der Unterschied in der Genauigkeit nur 4% betr\u00e4gt, kann man sagen, dass dies ein guter Kompromiss ist.<\/p>\n<blockquote><p><span style=\"color: #3366ff;\"><strong>!Hinweis<\/strong><\/span><br \/>\n<span style=\"color: #3366ff;\">Neben der Berechnungszeit f\u00fcr die g-Funktionen ben\u00f6tigen auch andere Teile des Codes eine gewisse Zeit. Mit dem ANN-Modell konnte die Berechnungszeit f\u00fcr die g-Werte erheblich reduziert werden, wodurch andere Aspekte, wie die Berechnung des effektiven thermischen Bohrlochwiderstands, einen gr\u00f6\u00dferen Anteil an der Gesamtsimulationszeit haben.<\/span><\/p><\/blockquote>\n<h2>Was kommt als n\u00e4chstes?<\/h2>\n<p data-start=\"195\" data-end=\"292\">Wie geht es nun weiter? Werden alle GHEtool-Berechnungen von nun an auf KI-Modellen basieren? Auf keinen Fall.<\/p>\n<p data-start=\"294\" data-end=\"668\">Obwohl wir den Wert des Einsatzes von KI zur Beschleunigung bestimmter Methoden erkannt und bewiesen haben, bevorzugen wir immer noch die Genauigkeit des regul\u00e4ren, physikbasierten Ansatzes. Aus diesem Grund ist das ANN ab heute in GHEtool bei der Verwendung des Ziels \u2018Berechnung der erforderlichen Tiefe\u2019 unter den \u2018zielspezifischen Einstellungen\u2019 verf\u00fcgbar. F\u00fcr andere Methoden stellt sie unserer Meinung nach noch keinen Mehrwert dar.<\/p>\n<p data-start=\"670\" data-end=\"821\">Die Implementierung unserer ersten ANN \u00f6ffnet jedoch die T\u00fcr zu einer ganzen Reihe neuer M\u00f6glichkeiten, neuer Methoden und fortgeschrittener Optimierungen.<\/p>\n<blockquote><p><span style=\"color: #339966;\"><strong>Bleiben Sie dran<br \/>\n<\/strong><\/span><span style=\"color: #339966;\">N\u00e4chste Woche werden wir unser erstes brandneues Ziel vorstellen, das durch genau diese ANN erm\u00f6glicht wurde. Bleiben Sie dran!<\/span><\/p><\/blockquote>\n<h2>Fazit<\/h2>\n<p data-start=\"965\" data-end=\"1276\">Dieser Artikel hat den Grundstein f\u00fcr eine ganze Reihe neuer M\u00f6glichkeiten innerhalb von GHEtool gelegt. Durch die Implementierung eines k\u00fcnstlichen neuronalen Netzes zur Beschleunigung der Simulationszeit von g-Funktionen kann die Berechnung der erforderlichen Bohrlochtiefenfunktion bei gleicher Genauigkeit um 25-75% beschleunigt werden.<\/p>\n<h2 id=\"reference\">Literaturverzeichnis<\/h2>\n<ul>\n<li>Sehen Sie sich unsere Videoerkl\u00e4rung auf unserer YouTube-Seite an, indem Sie klicken <span style=\"text-decoration: underline;\"><a href=\"https:\/\/youtu.be\/9rZNH-UkZ48\" target=\"_blank\" rel=\"noopener\">hier<\/a><\/span>.<\/li>\n<li>Blanke, T., Pfeiffer, F., G\u00f6ttsche, J., &amp; D\u00f6ring, B. (2024, September). K\u00fcnstliche neuronale Netze f\u00fcr die Auslegung von Erdw\u00e4rmesondenfeldern. In .\u00a0<i>BauSim Konferenz 2024<\/i>\u00a0(Bd. 10, S. 89-95). IBPSA-Deutschland und \u00d6sterreich.<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>KI, k\u00fcnstliche Intelligenz, ver\u00e4ndert eine Branche nach der anderen. In diesem Artikel zeigen wir Ihnen, wie unser neues k\u00fcnstliches neuronales Netz Ihnen helfen kann, die Simulationszeit von GHEtool erheblich zu verbessern.<\/p>","protected":false},"template":"","pdf-article":[108],"authors":[39],"knowledgebase-category":[26,30],"class_list":["post-4373","knowledgebase","type-knowledgebase","status-publish","hentry","pdf-article-ann","authors-wouter-peere","knowledgebase-category-general","knowledgebase-category-tutorial"],"_links":{"self":[{"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/knowledgebase\/4373","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/knowledgebase"}],"about":[{"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/types\/knowledgebase"}],"wp:attachment":[{"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/media?parent=4373"}],"wp:term":[{"taxonomy":"pdf-article","embeddable":true,"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/pdf-article?post=4373"},{"taxonomy":"authors","embeddable":true,"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/authors?post=4373"},{"taxonomy":"knowledgebase-category","embeddable":true,"href":"https:\/\/ghetool.eu\/de_de\/wp-json\/wp\/v2\/knowledgebase-category?post=4373"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}