In diesem Projekt des TRR 361werden datengesteuerte Surrogat-Modellierungsmethoden entwickelt, um die Quantifizierung von Unsicherheiten (UQ) für den Entwurf von elektrischen Maschinen zu ermöglichen. Zunächst werden Material- und Geometrieunsicherheiten in Form von Zufallsfeldern stochastisch modelliert. Anschließend werden Regressionsalgorithmen für maschinelles Lernen entwickelt, um die Abhängigkeit der interessierenden Größen elektrischer Maschinen von unsicheren Konstruktionsparametern zu approximieren. Schließlich werden surrogatbasierte UQ-Methoden für die Abschätzung der Ausfallwahrscheinlichkeit und die multivariate Sensitivitätsanalyse, zwei wichtige und rechenintensive UQ-Aufgaben, entwickelt, um die Auswirkungen von Unsicherheiten zu quantifizieren, neue Erkenntnisse zu gewinnen und verbesserte Maschinendesigns zu ermöglichen.
