Header
 
Login
 

Privatsphäre-Einstellungen

Wir verwenden Cookies auf unserer Website. Einige von ihnen sind unerlässlich, während andere uns helfen, diese Website und Ihre Erfahrungen zu verbessern.

Notwendig Statistik Marketing
Auswahl bestätigen
Weitere Einstellungen

Hier finden Sie eine Übersicht aller verwendeten Cookies. Sie können ganzen Kategorien Ihre Zustimmung geben oder weitere Informationen anzeigen und bestimmte Cookies auswählen.

Alle auswählen
Auswahl bestätigen
Notwendig Cookies
Wesentliche Cookies ermöglichen grundlegende Funktionen und sind für die ordnungsgemäße Funktion der Website erforderlich.
Statistik Cookies
Statistik-Cookies sammeln anonym Informationen. Diese Informationen helfen uns zu verstehen, wie unsere Besucher unsere Website nutzen.
Marketing Cookies
Marketing-Cookies werden von Werbekunden oder Publishern von Drittanbietern verwendet, um personalisierte Anzeigen zu schalten. Sie tun dies, indem sie Besucher über Websites hinweg verfolgen
Zurück

Ihr Suchergebnis

Sie recherchieren derzeit unangemeldet.
Melden Sie sich an (Login) um den vollen Funktionsumfang der Datenbank nutzen zu können.
Sie suchen in allen Bereichen nach dem Autor Burger M.

In der Rubrik Zeitschriften haben wir 1 Beitrag für Sie gefunden

  1. Merken

    Digitaler Zwilling als Datenerzeuger für maschinelles Lernen

    Rubrik: Maschinen- und Anlagenbau

    (Treffer aus TechnoPharm, Nr. 04, Seite 184 (2023))

    Burger M

    Digitaler Zwilling als Datenerzeuger für maschinelles Lernen / Neue Einsicht in Abfüllprozesse zur Qualitätssteigerung · Burger M · Bausch+Ströbel SE + Co. KG, Nürnberg
    Das Einbinden von künstlicher Intelligenz in der Industrie sorgt seit geraumer Zeit für erhebliche Beschleunigung bzgl. Prozessoptimierung. Einige Prozesse in pharmazeutischem Umfeld erschweren jedoch das Erheben der dafür benötigten Datenmengen durch ihre Komplexität, einen hohen Zeitaufwand und immense Kosten. Simuliert bleibt der Grad an Komplexität erhalten, der erforderliche Zeitaufwand und die anfallenden Kosten können jedoch maßgeblich reduziert werden. Zielführend ist hierbei die Computational-Fluid-Dynamics(CFD)-Simulation eines komplexen Prozesses, woraus Eingabe- und Ausgabedaten genutzt werden können, um einen Machine-Learning-Algorithmus zu speisen. Dadurch können „Muster“ im Ursprungsproblem erkannt und zur Optimierung genutzt werden. Somit wird versucht, die nötige Anzahl an Experimenten zur Parametrierung einer ...