A mérnöki gyakorlatban gyakran előfordul, hogy egy rendszer mérhető viselkedéséből szeretnénk következtetni annak közvetlenül nem mérhető, belső paramétereire. Egy szerkezet rezgésválasza például egyfajta mechanikai ujjlenyomatként hordoz információt annak merevségéről, csillapításáról vagy kontakt paramétereiről. Hasonló inverz problémák számos területen megjelennek: az orvosi elasztográfiában szövetek mechanikai tulajdonságaira következtetnek mért hullámokból, a robotikában a szimuláció és a valós rendszer közötti "sim-to-real gap" csökkentése fontos kérdés, míg hasonló, szimulációkon alapuló paraméterbecslési módszereket a kozmológiában is alkalmaznak. Az ilyen, hagyományosan nagy számításigényű inverz problémák megoldásában a neurális hálók hatékony eszközt jelenthetnek.

A jelen feladatban ezt a módszert villamos motorok mechanikai modelljeinek pontosítására szeretnénk felhasználni. Egy villanymotor végeselemes modelljében számos nehezen meghatározható paraméter jelenik meg, például kontaktmerevségek, csillapítások, súrlódási és anyagparaméterek. A cél olyan neurális hálón alapuló módszer kialakítása, amely nagyszámú, különböző paraméterekkel végzett szimuláció alapján megtanulja a mechanikai paraméterek és a rendszer dinamikai viselkedése közötti kapcsolatot, majd mért adatokból képes a modell megfelelő paramétereit visszabecsülni.

A pontosított mechanikai modellből meghatározható átviteli függvények később elektromágneses szimulációk eredményeivel is összekapcsolhatók. Így hosszabb távon olyan szimulációs lánc építhető fel, amellyel a motor elektromágneses gerjesztéséből – például az áram- és erőharmonikusokból – becsülhető annak rezgési és akusztikai viselkedése.

A hallgató feladatai:

• a módszer megismerése és kipróbálása egy egyszerű, jól kontrollálható mechanikai modellen, például tömeg–rugó rendszeren;
• lehetőség szerint egy valós objektum mérésével a szimuláció és a valós rendszer közötti eltérés vizsgálata.
• szimulációs adatok előállítása és neurális háló tanítása a mechanikai paraméterek azonosítására;
• a módszer validálása olyan szimulált rendszeren, amelynek valódi paraméterei ismertek;
• fokozatos továbblépés egyszerű végeselemes, majd összetettebb mechanikai modellek irányába;

További MSc-s vizsgálati irány lehet annak elemzése, hogy mely fizikai paraméterek azonosíthatók egyértelműen a rendelkezésre álló mérésekből, hogyan becsülhető az eredmény bizonytalansága, illetve hogyan csökkenthető a szükséges végeselemes szimulációk száma megfelelő mintavételezéssel vagy aktív tanulással. Vizsgálható továbbá különböző neurális hálós, surrogate modellezési és valószínűségi paraméterbecslési módszerek összehasonlítása is.

A feladat az alapoktól felépíthető, ezért nem feltételez előzetes végeselemes vagy akusztikai tapasztalatot. A kiinduló feladat egyszerű Python-alapú mechanikai modellekkel is elvégezhető, majd a hallgató érdeklődésétől és előrehaladásától függően fokozatosan bővíthető ipari végeselemes modellek és valós mérések felé.