Evaluierung der Leistungsfähigkeit von LSTM-Modellen für die Approximation physikalischer Systemen

Abstract

Diese Arbeit untersucht den Einsatz von Long Short-Term Memory (LSTM)-Modellen zur Approximation komplexer physikalischer Prozesse. Aufgrund ihrer Fähigkeit, große Datensätze zu verarbeiten und verborgene Muster in sequenziellen Daten zu erkennen, eignen sich LSTM-Netzwerke besonders für diese Aufgabe. Die Studie konzentriert sich auf die Auswahl geeigneter Eingangsgrößen und die Optimierung des Lookback-Parameters, um sequentielle Abhängigkeiten effektiv zu erfassen und die Vorhersagegenauigkeit der Modelle zu steigern. Durch den Einsatz der Bayes'schen Optimierung zur Feinabstimmung der Hyperparameter wird die Modellgenauigkeit weiter verbessert und die Evaluierungszeit reduziert. Experimente an einer Heizstrecke zeigen, dass optimierte LSTM-Modelle präzise Vorhersagen liefern und effektiv eingesetzt werden können. Die Ergebnisse bieten wertvolle Einblicke in den Einsatz von LSTM-Modellen in technischen und industriellen Anwendungen.