
Höhere Genauigkeit bei der Unsicherheitsvorsage für Simulationsmodelle
Quelle: BAM
Ein bedeutender Fortschritt für die Verfahrenstechnik und Datenwissenschaft: Forschende haben eine neue Methode entwickelt, um Unsicherheiten in nichtlinearen Regressionsmodellen präziser zu bestimmen – ein zentrales Werkzeug zur Simulation realer chemischer Prozesse. Herkömmliche Ansätze wie lineare Näherungen oder Monte Carlo-Simulationen stoßen dabei oft an ihre Grenzen: Sie sind entweder zu ungenau oder zu rechenintensiv.
Das neue Verfahren, entwickelt von einem Team des Fraunhofer ITWM, der TU Berlin und der BAM, basiert auf fortgeschrittenen mathematischen Techniken, den sogenannten Kubaturformeln. Diese verallgemeinern numerische Integrationsmethoden auf höhere Dimensionen und ermöglichen so eine präzise und zugleich effiziente Abschätzung der Prognoseunsicherheit – selbst in komplexen, nichtlinearen Systemen.
Die Forschenden testeten ihre Methode sowohl an theoretischen Modellen als auch an praxisnahen Anwendungen, darunter das weit verbreitete NRTL-Modell zur Beschreibung chemischer Gemische. Die Ergebnisse zeigen: Kubaturbasierte Schätzer übertreffen konventionelle Verfahren sowohl in Genauigkeit als auch in Robustheit – insbesondere dann, wenn nur wenige Daten vorliegen oder die Modelle stark nichtlinear sind.
Zwar erfordert die Methode mehr Rechenaufwand als einfachere Alternativen, doch ihre Zuverlässigkeit macht sie zu einem vielversprechenden Werkzeug für Ingenieur*innen und Wissenschaftler*innen in Bereichen, in denen präzise Vorhersagen entscheidend sind. Die Studie unterstreicht zudem die Bedeutung des Versuchsdesigns: Wie Daten erhoben werden, hat erheblichen Einfluss auf die Qualität der Unsicherheitsabschätzung.
Diese Arbeit ist ein wichtiger Schritt hin zu mehr Vertrauen und Transparenz in modellbasierte Entscheidungsunterstützung – ein zentrales Ziel in einer zunehmend datengetriebenen Welt.
Cubature-based uncertainty estimation for nonlinear regression models
Martin Bubel, Jochen Schmid, Maximilian Carmesin, Volodymyr Kozachynskyi, Erik Esche, Michael Bortz
Computers & Chemical Engineering, Volume 197, June 2025