Die simulationsgestützte Auslegung von Wälzlagern ermöglicht es, die Auswirkungen von Designänderungen auf die Performance in den Bereichen Kontaktmechanik, Schmierung und Dynamik frühzeitig abzuschätzen. Maschinelles Lernen kann diese Bewertung durch die Nutzung erlernter Zusammenhänge zusätzlich erweitern.
Eine aktuelle Veröffentlichung gibt einen systematischen Überblick darüber, wie maschinelles Lernen in Wälzlagersimulationen eingesetzt wird, wenn Simulationsdaten die primäre Grundlage des überwachten Lernens bilden. Dabei werden bestehende Anwendungen verglichen und Forschungslücken identifiziert. Der Beitrag zeigt methodische Bausteine und Leitlinien auf, um geeignete ML-Workflows für die simulationsgestützte Analyse und Optimierung von Wälzlagern zu entwickeln.
https://doi.org/10.3390/lubricants14040163
Maschinelles Lernen für effiziente Wälzlagersimulationen
