Echtzeitfähige digitale Zwillinge auf Basis Physik-informierter neuronaler Netze für die Strömungsvorhersage in und um Stallungen
In dieser Arbeit wird eine Methode entwickelt, die echtzeitfähige digitale Zwillinge zur Strömungsvorhersage in und um frei belüftete Kuhställe ermöglicht. Diese digitalen Zwillinge erfassen den realen Systemzustand und ermöglichen es, digitale Analysen und Visualisierungen in Echtzeit durchzuführen. Dadurch können Anomalien frühzeitig identifiziert und der Systemzustand optimal eingestellt werden. Grundlage der Methode sind Daten aus drei saisonalen Messkampagnen in einem Versuchsstall und ergänzenden externen Wetterdaten, die Windgeschwindigkeit, -richtung, Lufttemperatur, -feuchte und Methankonzentration umfassen. Die umweltbezogenen Parameter können am realen Versuchsstall nicht systematisch variiert werden, weshalb ein numerisches Simulationsmodell entwickelt wird. Dieses Modell dient als Grundlage, um darauf statistische Versuchsplanungen anwenden zu können. Ein Plackett-Burman-Versuchsplan ermittelt signifikante Faktoren bezüglich der Zielgrößen Tierwohl, Emissionen und Durchlüftung. Ein Box-Behnken-Versuchsplan analysiert diese hinsichtlich Wechselwirkungen und quadratischen Effekten auf die Zielgrößen. Für eine Visualisierung des Strömungsfeldes in Echtzeit und bei variabler Einstellung ausgewählter Parameter werden Physik-informierte neuronale Netze eingesetzt. Physik-informierte neuronale Netze stellen einen dateneffizienten Ansatz im maschinellen Lernen dar. Der klassische Verlustterm wird um die Residuen der zugrundeliegenden physikalischen Gleichungen ergänzt, indem die approximierten Gradienten aus der automatischen Differentiation während des Trainings entnommen und in die Gleichung eingesetzt werden. Diese Arbeit verwendet die Reynolds-gemittelten Navier-Stokes-Gleichungen als physikalischen Verlustterm und stellt einen neuartigen Turbulenzmodellierungsansatz für Physik-informierte neuronale Netze vor. Für das Training werden 3 % der verfügbaren Daten verwendet. Bei der Validierung einer nicht trainierten Parameterkombination zeigt die Methode eine relative Abweichung von unter 15 % in den Bereichen hoher Gradienten. Die Vorhersage der Geschwindigkeitskomponenten und des Drucks für 10.000 Koordinatenpunkte erfolgt innerhalb von 6,5 Millisekunden und erfüllt somit die Anforderungen an die harte Echtzeit. Die Entwicklung einer geeigneten Kommunikationsarchitektur ermöglicht die Integration von Physik-informierten neuronalen Netzen und Sensordaten in den digitalen Zwilling frei belüfteter Kuhställe. Durch einen kryptografisch abgesicherten Zugang können Landwirtschaftsbetriebe und Dritte die Daten, Modelle und Funktionen aktualisieren, um die Luftführung im Stall in Echtzeit zu analysieren und somit das Tierwohl zu optimieren sowie die Emissionen zu reduzieren.
Within this work, a method is developed to create real-time capable digital twins for predicting airflow in and around naturally ventilated barns. These digital twins capture the real system state and allow digital analysis and visualization in real-time. This enables early detection of anomalies and optimal adjustment of the system state. The method is based on data from three seasonal measurement campaigns in a real experimental barn and additional external weather data, including wind speed, wind direction, air temperature, humidity, and methane concentration. Since the environmental parameters cannot be systematically varied at the naturally ventilated barn, a numerical simulation model is developed. This model serves as the basis for the application of design of experiments. A Plackett-Burman design identifies significant factors with respect to the target variables animal welfare, emissions, and ventilation. A Box-Behnken design analyzes these factors for interactions and quadratic effects on the target variables. For a real-time visualization of the airflow field with variable settings of selected parameters, physics-informed neural networks are employed. Physics-informed neural networks represent a data-efficient approach in machine learning. The classical loss term is supplemented with the residuals of the governing equations by inserting the approximated gradients from the automatic differentiation during training into the governing equation. This work uses the Reynolds-averaged Navier-Stokes equations as the physical loss term and presents a novel turbulence modeling approach for physics-informed neural networks. Training uses 3% of the available data. When validating an untrained parameter combination, the method shows a relative deviation of less than 15% in areas of high gradients. Prediction of velocity components and pressure for 10,000 coordinate points is completed within 6.5 milliseconds, meeting hard real-time requirements. The development of a suitable communication architecture enables the integration of physics-informed neural networks and sensor data into the digital twin of naturally ventilated cow barns. Through cryptographically secured access, agricultural businesses and third parties can update the data, models, and functions to analyze barn airflow in real time to optimize animal welfare and reduce emissions.
Preview
Cite
Rights
Use and reproduction:
This work may be used under a
Creative Commons Attribution - NoDerivatives 4.0 License (CC BY-ND 4.0)
.