Die Quantifizierung von Unsicherheiten ist von zentraler Bedeutung für das Ingenieurwesen.
Sie dient der Bewertung verschiedener Modelle und der diesen Modellen zugrunde liegenden Annahmen, der Beschreibung von zufälligen Prozessen und in letzter Konsequenz auch der optimalen Entscheidungsfindung angesichts unvollständiger Information. Basis hierfür ist oft ein Computermodell, welches das untersuchte System simuliert. Die vorliegende Arbeit befasst sich mit zwei Problemstellungen innerhalb der modellbasierten Quantifizierung von Unsicherheiten:
Die in der Arbeit entwickelte Toolbox ermöglicht die Analyse rechenintensiver Computermodelle angesichts hochdimensionaler und räumlich wie zeitlicher verteilter Unsicherheit. Wir demonstrieren die Leistungsfähigkeit anhand verschiedener Beispiele aus der Strukturmechanik und der Geotechnik. Wir zeigen Möglichkeiten zur verfeinerten Analyse des Einflusses von Unsicherheiten auf wichtige Systemeigenschaften wie deren Versagenswahrscheinlichkeit auf und schaffen somit Werkzeuge zur Lösung komplexer Entscheidungsprobleme wie: Welche epistemischen Unsicherheiten sollten durch Datenakquise reduziert werden, um die Systemzuverlässigkeit optimal zu steigern?
Weiterentwicklungsmöglichkeiten bestehen insbesondere für die hochdimensionale Ersatzmodellierung in der Kombination mit Machine-Learning-Methoden. Hierbei ist ein besonderes Augenmerk auf die veränderten Anforderungen an diese Methoden im Ingenieurskontext zu legen, insbesondere der Umfang der Trainingsdaten ist hier deutlich reduziert. Die entwickelten Techniken zur Trennung von Unsicherheiten können zukünftig zur Lösung von Entscheidungsproblemen mittels Value-of-Information-Analyse wie auch zur effizienten Optimierung unter Unsicherheiten eingesetzt werden.
Dr. -Ing. Maximilian Ehre
TUM
Lehrstuhl für Risikoanalyse und Zuverlässigkeit
max.ehre@ tum.de