{"id":897,"date":"2026-07-30T12:23:19","date_gmt":"2026-07-30T12:23:19","guid":{"rendered":"https:\/\/matforge.org\/?p=897","raw":"https:\/\/matforge.org\/?p=897"},"modified":"2026-07-30T12:23:19","modified_gmt":"2026-07-30T12:23:19","slug":"model-calibration-techniques-computational-materials-science","status":"publish","type":"post","link":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/","title":{"rendered":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft","raw":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li><strong>Modellkalibrierung<\/strong> Bestimmt unbekannte Parameter, so dass eine Simulation Vorhersagen erzeugt, die experimentellen Beobachtungen entsprechen<\/li>\n<li>Vier Methodikfamilien dominieren das Feld: Bayes&#8217;sche Inferenz, adjoint-basierte Optimierung, Ersatzmodellierung und traditionelle kleinste Quadrate &#8211; jeweils mit deutlichen Kompromissen bei Rechenkosten, Parameterdimensionalit\u00e4t und Unsicherheitsquantifizierung<\/li>\n<li><strong>Identifizierbarkeitsanalyse<\/strong> ist ein obligatorischer Schritt vor der Kalibrierung. Parameter, die durch verf\u00fcgbare experimentelle Daten nicht eingeschr\u00e4nkt werden k\u00f6nnen, m\u00fcssen aus unabh\u00e4ngigen Messungen oder Literatur festgelegt werden<\/li>\n<li>Ein zweistufiger Workflow (Gro\u00dfkonstanten zuerst, dann Bruch\/Dissipation) reduziert das \u00dcberanpassungsrisiko und die effektive Parameterdimension drastisch<\/li>\n<li>Das Python-\u00d6kosystem (FIPY, PYMC, Scikit-Learn, Sympy) bietet eine komplette Kalibrierpipeline von der Vorw\u00e4rtssimulation bis zur posterioren Extraktion<\/li>\n<\/ul>\n<hr>\n<h2>Was ist Modellkalibrierung und wie unterscheidet sie sich von der Unsicherheitsquantifizierung?<\/h2>\n<p>Die Modellkalibrierung ist der Prozess der Anpassung der Parameter eines Rechenmodells, damit seine Vorhersagen mit einer Reihe von Referenzbeobachtungen \u00fcbereinstimmen. In der computergest\u00fctzten Materialwissenschaft k\u00f6nnen diese Parameter Diffusionskoeffizienten, Grenzfl\u00e4chenenergie, Mobilit\u00e4tskonstanten, Bruchenergie, elastische Konstanten oder eine Sch\u00e4digung der Viskosit\u00e4t sein. Sie k\u00f6nnen nicht alle aus ersten Prinzipien abgeleitet werden und m\u00fcssen anhand experimenteller Daten bestimmt werden.<\/p>\n<p>Die Kalibrierung befindet sich im Rahmen des VVUQ-Frameworks (Verifizierungs-, Validierungs- und Unsicherheitsquantifizierung). Die drei Schritte haben unterschiedliche Ziele:<\/p>\n<ol>\n<li><strong>Verifikation<\/strong> \u2013 Sind die Gleichungen korrekt implementiert und gel\u00f6st?<\/li>\n<li><strong>Validierung<\/strong> \u2013 Repr\u00e4sentiert das Modell das reale System angemessen f\u00fcr den beabsichtigten Gebrauch?<\/li>\n<li><strong>Unsicherheitsquantifizierung<\/strong> \u2013 Wie wirken sich unsichere Inputs auf Vorhersagen aus?<\/li>\n<\/ol>\n<p>Kalibrierung erzeugt einen Parametersatz. Die Unsicherheitsquantifizierung propagiert Fehlerbalken durch diese Parameter. Die Validierung vergleicht das endg\u00fcltige Modell mit einem unabh\u00e4ngigen Datensatz. Die Kalibrierung mit Validierung ist ein h\u00e4ufiger Fehler: Die Kalibrierung stellt die Parameter auf einen Datensatz ab, w\u00e4hrend die Validierung das kalibrierte Modell anhand eines anderen Datensatzes testet, der nicht f\u00fcr die Abstimmung verwendet wurde.<\/p>\n<p><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Verifikation und Validierungshandbuch zu Matforge <\/a> erl\u00e4utert den umfassenderen Glaubw\u00fcrdigkeitsprozess. <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheitsquantifizierung und Der Artikel zur Sensitivit\u00e4tsanalyse <\/a> befasst sich mit der Weitergabe der Unsicherheit von kalibrierten Parametern in Vorhersagen.<\/p>\n<hr>\n<h2>Das Kalibrierungsproblem in der computergest\u00fctzten Materialwissenschaft<\/h2>\n<p>Phasenfeldmodelle, Elastizit\u00e4tsmodelle mit endlicher Dehnung, spinodale Zerlegungsmodelle und diskrete Dislokationsmodelle enthalten alle Parameter, die nicht nur aus der Theorie abgeleitet werden k\u00f6nnen. Diese Modelle beschreiben die Entwicklung der Mikrostruktur, die Ausbreitung von Br\u00fcchen, die Phasentrennung und die Defektbewegung. Sie ben\u00f6tigen Eingaben wie:<\/p>\n<ul>\n<li><strong>Diffusionskoeffizienten<\/strong> \u2014 regeln die Massentransportraten<\/li>\n<li><strong>Grenzfl\u00e4chenenergie<\/strong> \u2013 Steuert die Steifigkeit der Phasengrenze<\/li>\n<li><strong>Mobilit\u00e4tskonstanten<\/strong> \u2013 Bestimmen Sie, wie schnell sich Schnittstellen bewegen<\/li>\n<li><strong>Critical Energy Release Rate (GC)<\/strong> \u2013 Legt die Bruchenergieschwelle fest<\/li>\n<li><strong>Elastische Konstanten<\/strong> \u2013 Definieren Sie die Stress-Streik-Reaktion<\/li>\n<li><strong>Schadenviskosit\u00e4t<\/strong> \u2013 Kontrolliert die Dissipation w\u00e4hrend der Rissausbreitung<\/li>\n<\/ul>\n<p>Diese Parameter werden typischerweise durch inverse Probleme identifiziert: Sie beobachten die Ausgabe (Last-Verdr\u00e4ngungskurven, Dehnungsfelder, Phasenanteile, Korngr\u00f6\u00dfen) und schlie\u00dfen die Parameter ab, die sie erzeugt haben. Die umgekehrte Natur des Problems bedeutet, dass es h\u00e4ufig schlecht gestellt ist &#8211; mehrere Parameters\u00e4tze k\u00f6nnen \u00e4hnliche Ausgaben erzeugen, insbesondere wenn experimentelle Daten sp\u00e4rlich oder verrauscht sind.<\/p>\n<hr>\n<h2>Vier Methodenfamilien<\/h2>\n<p>Moderne Kalibrierungsans\u00e4tze fallen in vier verschiedene Familien. Jedes hat je nach Modellkosten, Parameterdimensionalit\u00e4t und der Frage, ob eine Unsicherheitsquantifizierung erforderlich ist, unterschiedliche St\u00e4rken und Einschr\u00e4nkungen.<\/p>\n<h3>1. Bayes&#8217;sche Inferenz mit MCMC<\/h3>\n<p>Die Bayes&#8217;sche Kalibrierung behandelt Parameter als Zufallsvariablen mit Wahrscheinlichkeitsverteilungen anstelle von festen Werten. Der Workflow besteht aus vier Schritten:<\/p>\n<ol>\n<li><strong>Priors definieren<\/strong> \u2013 Weisen Sie jedem Parameter basierend auf Vorkenntnissen oder experimentellen Bereichen Wahrscheinlichkeitsverteilungen zu<\/li>\n<li><strong>Konstruieren Sie eine Wahrscheinlichkeit<\/strong> \u2013 quantifizieren Sie, wie gut Modellvorhersagen bei einem Parametersatz \u00fcbereinstimmen<\/li>\n<li><strong>Beispiele der hinteren<\/strong> \u2014 Verwenden Sie MCMC (Metropolis-Hastings, N\u00fcsse oder Hamilton-Monte-Carlo), um Proben aus der posterioren Verteilung zu ziehen<\/li>\n<li><strong>Spitzenstatistik extrahieren<\/strong> \u2013 Berechnen Sie marginale Verteilungen, glaubw\u00fcrdige Intervalle und Korrelationen<\/li>\n<\/ol>\n<p>Dieser Ansatz ist die aktuelle Forschungsgrenze f\u00fcr die computergest\u00fctzte Materialwissenschaft. J\u00fcngste Studien von Schmid et al. (2025) und \u0160odan et al. (2025) verwenden die auf Ersatz basierende Bayes&#8217;sche Kalibrierung, um vollst\u00e4ndige posteriore Verteilungen f\u00fcr elastische Konstanten, Bruchenergie und Schadensparameter zu erzeugen.<\/p>\n<p>Die Hauptbeschr\u00e4nkung sind die Rechenkosten. Traditionelle MCMC erfordern Tausende von Vorw\u00e4rtssimulationen, was f\u00fcr teure Phasenfeldmodelle unpraktisch ist. Aus diesem Grund ist die Ersatzmodellierung (siehe Abschnitt 3) f\u00fcr die Bayes&#8217;sche Kalibrierung von Phasenfeldl\u00f6sern fast obligatorisch geworden.<\/p>\n<p><strong>Sampling-freie Updates<\/strong> bieten einen praktischen Einstiegspunkt. Wu et al. (2021) f\u00fchrten abtastefreie lineare Bayes&#8217;sche Updates f\u00fcr die Phasenfeldbruchkalibrierung ein. Anstatt Tausende von MCMC-Iterationen auszuf\u00fchren, berechnet diese Methode die bedingte Erwartung von Parametern direkt, die experimentelle Daten erhalten. Es werden posteriore Sch\u00e4tzungen in geschlossener Form ohne Stichproben erstellt, wodurch die massiven Rechenkosten von MCMC vermieden werden. F\u00fcr Forscher ohne GPU-Infrastruktur oder Parallel-Computing sind stichprobenfreie Methoden wesentlich einfacher zu implementieren und bieten immer noch quantifizierte posteriore Verteilungen.<\/p>\n<h3>2. Adjoint-based Optimization<\/h3>\n<p>Adjungierte Methoden l\u00f6sen das Kalibrierungsproblem als PDE-beschr\u00e4nktes Optimierungsproblem. Anstatt die Vorw\u00e4rtssimulationen wiederholt auszuf\u00fchren, berechnet die Methode Gradienten der Zielfunktion in Bezug auf alle Parameter, die eine einzige R\u00fcckw\u00e4rtssimulation verwenden, unabh\u00e4ngig von der Parameteranzahl.<\/p>\n<p>Matsuura (2021) demonstrierte die gleichzeitige Sch\u00e4tzung von sechs Parametern in einem Phasenfeld-Spinodal-Zerlegungsmodell unter Verwendung eines adjoint-basierten Ansatzes. Die Gradientenberechnung erfordert nur eine Vorw\u00e4rts- und eine R\u00fcckw\u00e4rtssimulation &#8211; im Gegensatz zu Finite-Differenz-Ans\u00e4tzen, die n + 1-Simulationen f\u00fcr n Parameter erfordern. Dies macht Adjoint-Methoden zur nat\u00fcrlichen Wahl f\u00fcr die Kalibrierung mehrerer Parameter in gro\u00dfen Phasenfeldmodellen.<\/p>\n<p>Der Workflow folgt diesen Schritten:<\/p>\n<ol>\n<li><strong>Definieren Sie die Zielfunktion<\/strong> \u2014 Missstimmung zwischen Simulationsausgabe und experimentellen Daten messen<\/li>\n<li><strong>L\u00f6sen Sie das Vorw\u00e4rtsproblem<\/strong> \u2014 F\u00fchren Sie die Phasenfeldsimulation aus<\/li>\n<li><strong>L\u00f6sen Sie das adjungierte Problem<\/strong> \u2013 propagieren Sie den objektiven Funktionsverlauf r\u00fcckw\u00e4rts durch das Modell<\/li>\n<li><strong>Parameter aktualisieren<\/strong> \u2013 Verwenden Sie den adjungierten Gradienten in einem gradientenbasierten Optimierer (L-BFGS, konjugierter Gradient)<\/li>\n<\/ol>\n<p>Adjektive Methoden skalieren effizient mit der Parameteranzahl, erfordern jedoch analytische Derivate oder adjungierte L\u00f6ser. Dies bedeutet, dass Sie Zugriff auf den Solver-Code oder ein kompatibles automatisches Differenzierungsframework ben\u00f6tigen. Sie erzeugen eher Punktsch\u00e4tzungen als vollst\u00e4ndige posteriore Verteilungen, daher erfordert die Quantifizierung der Unsicherheit zus\u00e4tzliche Schritte wie Bootstrapping oder Linearisierung um das Optimum herum.<\/p>\n<h3>3. Ersatzmodellierung f\u00fcr teure Simulationen<\/h3>\n<p>Wenn eine einzelne Phasenfeldsimulation Stunden oder Tage dauert, wird die direkte Kalibrierung unpraktisch. Ersatzmodelle n\u00e4hern sich dem teuren Simulator an und dienen als billiger Ersatz w\u00e4hrend der Kalibrierungsschleife.<\/p>\n<p>Drei Leihfamilien dominieren die Materialwissenschaftskalibrierung:<\/p>\n<p><strong>Gaussian Process Emulators (GPE)<\/strong> \u2013 am besten f\u00fcr niedrige bis mittelschwere Parameterdimensionen (typischerweise \u2264 10). GPEs bieten Sch\u00e4tzungen f\u00fcr native Unsicherheiten, was bedeutet, dass Sie f\u00fcr jede Ersatzbewertung sowohl eine vorhergesagte Antwort als auch ein Konfidenzintervall erhalten. Sie funktionieren am besten, wenn die Modellantwort glatt ist und der Parameterraum relativ klein ist.<\/p>\n<p><strong>Polynomial Chaos Expansions (PCE)<\/strong> \u2013 Effizient f\u00fcr reibungslose Reaktionen, insbesondere bei sp\u00e4rlicher Regression. Schmid et al. (2025) verwendeten eine sp\u00e4rliche PCE dritter Ordnung zur Kalibrierung von Bruchenergie, elastischen Konstanten und Schadensviskosit\u00e4t um drei Parameter. PCE kann mit relativ wenigen Simulationspunkten (20-50) ausgestattet und dann w\u00e4hrend der Kalibrierungsschleife zu Nullkosten bewertet werden.<\/p>\n<p><strong>Pinns und neuronale Netz-Surrogate<\/strong> \u2013 Als netzfreie Alternativen f\u00fcr inverse Probleme mit sp\u00e4rlichen Daten. <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Pinns-Handbuch On Matforge <\/a> deckt ihre Architektur und Ausbildung ab. Pinns behandeln unbekannte Parameter als trainierbare Variablen und k\u00f6nnen sie aus sp\u00e4rlichen Grenzbeobachtungen erkennen, wobei teure Vorw\u00e4rtssimulationen vollst\u00e4ndig umgangen werden.<\/p>\n<p>Die Ersatzkalibrierung f\u00fchrt eine neue Unsicherheitsquelle ein: den Approximationsfehler des Surrogats selbst. Ein Ersatz, der gut zu den Trainingsdaten passt, kann schlecht extrapolieren. Die Validierung gegen unabh\u00e4ngige Simulationspunkte ist unerl\u00e4sslich.<\/p>\n<h3>4. Traditionelle kleinste Quadrate und gradientenbasierte Methoden<\/h3>\n<p>Die Optimierung der kleinsten Quadrate bleibt in der industriellen Praxis und einfacheren akademischen Modellen der dominierende Ansatz. Der Workflow minimiert eine quadratische Fehlpassungsfunktion:<\/p>\n<p>$$min_{theta} sum_{i=1}^{n} frac{(y_{text{sim}}(theta)<em>i &#8211; y <\/em> { text {exp}}} _i) <sup> 2} { sigma_i <\/sup> 2} $$<\/p>\n<p>Wenn \u03b8 die Parameter ist, y_sim die Simulationsausgabe ist, y_exp die experimentellen Daten und \u03c3_i die Messunsicherheit darstellt.<\/p>\n<p>Dieser Ansatz hat echte St\u00e4rken:<\/p>\n<ul>\n<li>Einfach zu implementieren (scipy.optimize, lsqnonneg)<\/li>\n<li>Schnelle Konvergenz bei konvexen Problemen<\/li>\n<li>Gut verstandene Konvergenztheorie<\/li>\n<\/ul>\n<p>Es hat aber auch klare Einschr\u00e4nkungen:<\/p>\n<ul>\n<li>Keine Unsicherheitsquantifizierung der Parameter<\/li>\n<li>Anf\u00e4llig f\u00fcr lokale Minima bei nicht konvexen Problemen<\/li>\n<li>Abbau mit zunehmender Parameteranzahl<\/li>\n<\/ul>\n<p>Gradientenbasierte Methoden (Gradientenabstieg, L-BFGs) verbessern die basischen kleinsten Quadrate durch Verwendung von Derivaten zur Beschleunigung der Konvergenz. Sie produzieren jedoch immer noch Punktsch\u00e4tzungen, nicht Verteilungen und erfordern eine sorgf\u00e4ltige Auswahl der Initialisierung, um schlechte lokale Minima zu vermeiden.<\/p>\n<hr>\n<h2>Entscheidungsrahmen: Wann wird jede Methode verwendet?<\/h2>\n<p>Die folgende Tabelle fasst zusammen, wann jede Kalibrierungsmethode am besten geeignet ist. Verwenden Sie es als Schnellreferenz, bevor Sie sich auf eine Rechenkampagne verpflichten.<\/p>\n<table>\n<thead>\n<tr>\n<th>Modellcharakteristik<\/th>\n<th>Empfohlener Ausgangspunkt<\/th>\n<th>Hauptvorsicht<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Wenige Parameter (\u2264 4), reibungsloses Ansprechen, moderate Simulationskosten<\/td>\n<td>Least-Squares oder Adjoint-basierte Optimierung<\/td>\n<td>Nur Punktsch\u00e4tzungen; Validierung gegen Literaturbereiche<\/td>\n<\/tr>\n<tr>\n<td>5-15 Parameter, Bedarf Unsicherheit Quantifizierung, GPU-beschleunigt<\/td>\n<td>Leihmutter-Bayesianer mit PCE oder GPE<\/td>\n<td>Surrogate unabh\u00e4ngig validieren; \u00dcberpr\u00fcfen Sie das Extrapolationsverhalten<\/td>\n<\/tr>\n<tr>\n<td>&gt; 15 Parameter, hohe Rechenkosten<\/td>\n<td>Adjoint-basierte Optimierung oder Pinns<\/td>\n<td>Erfordert den Solver-Code-Zugriff oder Unterst\u00fctzung f\u00fcr die automatische Differenzierung<\/td>\n<\/tr>\n<tr>\n<td>Teurer Simulator, niedrigdimensionaler Parameterraum, ben\u00f6tigt volle Seitenz.<\/td>\n<td>Gau\u00dfscher Prozessemulator mit MCMC<\/td>\n<td>GPE skaliert schlecht \u00fcber ~20 Parameter hinaus<\/td>\n<\/tr>\n<tr>\n<td>Sp\u00e4rliche Daten, inverses Problem nur mit Randbedingungen<\/td>\n<td>Pinns oder Stichprobenfreies Bayes&#8217;sches Update<\/td>\n<td>Pinns erfordern einen sorgf\u00e4ltigen Verlustausgleich; Stichprobenfreie Methoden nehmen eine lineare Reaktion an<\/td>\n<\/tr>\n<tr>\n<td>Industrielle Einstellung, schnelle Abwicklung erforderlich, keine UQ-Anforderung<\/td>\n<td>Gradientenbasierte Optimierung mit fester Initialisierung<\/td>\n<td>Immer gegen einen unabh\u00e4ngigen Datensatz validieren<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<hr>\n<h2>Identifizierbare Analyse: Der obligatorische Vorschritt<\/h2>\n<p>Eine der wichtigsten Lehren aus j\u00fcngsten Kalibrierungsstudien ist, dass <strong>Nicht alle Parameter sind aus jedem Experiment erkennbar <\/strong>. Die Identifizierungsanalyse legt fest, welche Parameter durch Ihre verf\u00fcgbaren Daten tats\u00e4chlich eingeschr\u00e4nkt werden k\u00f6nnen, bevor Sie mit der Kalibrierung beginnen.<\/p>\n<p>Schmid et al. (2025) kalibrierte Bruchparameter f\u00fcr gebundene k\u00f6rnige Materialien gegen Kraft-Weg-Daten. Ihre Analyse ergab, dass die kritische Energiefreisetzungsrate (GC) aus den verf\u00fcgbaren Mengen von Interesse <strong> nicht identifizierbar <\/strong> war. Nur der Elastizit\u00e4tsmodul und die Schadensviskosit\u00e4t wurden durch die Daten eingeschr\u00e4nkt. In der Studie wurde ausdr\u00fccklich empfohlen, nicht identifizierbare Parameter aus der Literatur oder einem anderen Experimenttyp zu fixieren.<\/p>\n<p>Dies ist eine wichtige praktische Lektion: Wenn ein Parameter nicht identifizierbar ist, sollten Sie nicht versuchen, ihn aus dem aktuellen Datensatz zu kalibrieren. Beheben Sie es stattdessen aus unabh\u00e4ngigen Messungen wie DIC-Dehnungsfeldern, Ultraschallwellengeschwindigkeiten oder Einzugstests.<\/p>\n<p>Identifizierbarkeit kann beurteilt werden durch:<\/p>\n<ul>\n<li><strong>Lokale Identifizierbarkeit<\/strong> \u2013 Untersuchen Sie, ob der Jacobian der Modellausgabe in Bezug auf Parameter volle Rangfolge am Referenzpunkt hat<\/li>\n<li><strong>Globale Identifizierbarkeit<\/strong> \u2013 Stellen Sie sicher, dass unterschiedliche Parameterwerte unterschiedliche Ausgaben liefern (h\u00e4ufig Bayes&#8217;sche Analyse oder Profilwahrscheinlichkeiten)<\/li>\n<li><strong>Vorherige Vorhersagepr\u00fcfungen<\/strong> \u2013 Simulieren Sie aus dem Prior und vergleichen Sie sie mit experimentellen Datenbereichen<\/li>\n<\/ul>\n<p>Das \u00dcberspringen der Identifizierungsanalyse ist ein h\u00e4ufiger Fehlermodus. Viele ver\u00f6ffentlichte Kalibrierungen geben posteriore Verteilungen f\u00fcr Parameter an, die durch die experimentellen Daten nie wirklich eingeschr\u00e4nkt wurden. Diese Verteilungen sind mathematisch g\u00fcltig, aber wissenschaftlich nicht informativ &#8211; sie spiegeln die vorherigen und nicht die Daten wider.<\/p>\n<hr>\n<h2>Ein praktischer zweistufiger Kalibrier-Workflow<\/h2>\n<p>Alle wichtigen Kalibrierungsstudien folgen einem zweistufigen Verfahren. Dieser Workflow verhindert eine \u00dcberanpassung und verringert die effektive Dimension des Kalibrierungsproblems.<\/p>\n<h3>Stufe 1: Elastische und Massenkonstanten<\/h3>\n<p>Sch\u00e4tzen Sie Sch\u00fcttguteigenschaften aus unabh\u00e4ngigen, direkten Messungen:<\/p>\n<ul>\n<li><strong>Junge Module und Poisson-Verh\u00e4ltnis<\/strong> \u2014 aus Ultraschallwellengeschwindigkeiten oder Zugversuchen<\/li>\n<li><strong>Diffusionskoeffizienten<\/strong> \u2014 aus Messungen der Korngrenzensegregation<\/li>\n<li><strong>Grenzfl\u00e4chenenergie<\/strong> \u2013 aus Phasengleichgewichtsberechnungen (Calphad) oder direkter Messung<\/li>\n<\/ul>\n<p>Diese Parameter steuern die mechanische Gesamtreaktion und sind typischerweise durch direkte experimentelle Messungen gut eingeschr\u00e4nkt. Die Kalibrierung fixiert zuerst das mechanische Grundverhalten und isoliert die h\u00e4rteren Bruch- \/ Dissipationsparameter auf Stufe 2.<\/p>\n<h3>Stufe 2: Bruch- und Dissipationsparameter<\/h3>\n<p>Bruchbedingte Parameter gegen mechanische Reaktionsdaten kalibrieren:<\/p>\n<ul>\n<li><strong>Critical Energy Release Rate (GC)<\/strong> \u2014 aus Last-Verdr\u00e4ngungskurven in Bruchtests (3-Punkt-Biegen, Zugbruch)<\/li>\n<li><strong>Schadenviskosit\u00e4t<\/strong> \u2013 aus der Dehnungsratenempfindlichkeit und der Dissipationsanalyse<\/li>\n<li><strong>Frakturmobilit\u00e4t<\/strong> \u2014 aus der Rissausbreitungsgeschwindigkeitsmessung<\/li>\n<\/ul>\n<p>Diese Stufe funktioniert mit einem reduzierten Parametersatz (typischerweise 2-4 Parameter), da Stufe 1 die Massenkonstanten fixiert hat. Der zweistufige Ansatz reduziert das \u00dcberanpassungsrisiko drastisch und macht das Kalibrierungsproblem numerisch nachvollziehbar.<\/p>\n<hr>\n<h2>materialwissenschaftliche Anwendungen mit realen Parametern<\/h2>\n<h3>Bruchmechanik: Phasenfeld-Frakturkalibrierung<\/h3>\n<p>Die Wu et al. (2021) kalibrierte ein Phasenfeldbruchmodell gegen Dreipunktbiegeversuche an Zementm\u00f6rtel. Die Parameter enthalten:<\/p>\n<ul>\n<li>Elastische Konstanten (Jugendmodul, Poisson-Verh\u00e4ltnis) aus Ultraschallmessungen<\/li>\n<li>Bruchenergie GC aus Last-Weg-Kurven<\/li>\n<li>Schnittstellenmobilit\u00e4t aus Rissgeschwindigkeitsbeobachtungen<\/li>\n<li>Sch\u00e4digung der Viskosit\u00e4t aus der Dissipationsanalyse<\/li>\n<\/ul>\n<p>Die Bayes&#8217;sche Kalibrierung erzeugte hintere Verteilungen mit 95% glaubw\u00fcrdigen Intervallen. Das stichprobenfreie Update verhinderte Tausende von Vorw\u00e4rtssimulationen und f\u00fchrte zu geschlossenen posterioren Sch\u00e4tzungen in Stunden anstelle von Wochen.<\/p>\n<h3>Spinodal-Zersetzung: Mehrparameter-Sch\u00e4tzung<\/h3>\n<p>Matsuura (2021) sch\u00e4tzte sechs Parameter gleichzeitig in einem Phasenfeld-Spinodal-Zerlegungsmodell unter Verwendung einer adjoint-basierten Methode. Parameter enthalten:<\/p>\n<ul>\n<li>chemische Diffusivit\u00e4t<\/li>\n<li>Gradientenenergiekoeffizienten<\/li>\n<li>Schnittstellenmobilit\u00e4t<\/li>\n<li>Temperaturabh\u00e4ngige Reaktionsgeschwindigkeiten<\/li>\n<li>anf\u00e4ngliche Kompositionsst\u00f6rungen<\/li>\n<li>Dehnungsenergiekopplungskonstanten<\/li>\n<\/ul>\n<p>Die adjoint-Methode l\u00f6ste alle sechs Parameter in einer einzigen Optimierungsschleife mit einer Vorw\u00e4rts- und einer R\u00fcckw\u00e4rtssimulation pro Iteration &#8211; weitaus effizienter als Finite-Differenz-Ans\u00e4tze, die sieben Simulationen pro Iteration erfordern w\u00fcrden.<\/p>\n<h3>Elastoplastische Materialien: Nicht-Standard-Proben<\/h3>\n<p>\u0160odan et al. (2025) kalibrierte elastoplastische Parameter aus nicht standardm\u00e4\u00dfigen gekerbten Aluminiumproben. Die Studie zeigte, dass die Identifizierung von Bayes&#8217;schen Parametern auch bei komplexen Geometrien und nicht standardm\u00e4\u00dfigen experimentellen Daten gut funktioniert und volle posteriore Verteilungen f\u00fcr Flie\u00dfspannung, H\u00e4rtemodul und Dehnungsratenempfindlichkeit erzeugt werden.<\/p>\n<hr>\n<h2>Das Python-\u00d6kosystem f\u00fcr die Kalibrierung<\/h2>\n<p>Kalibrierungs-Workflows integrieren mehrere Python-Tools \u00fcber verschiedene Stufen hinweg:<\/p>\n<table>\n<thead>\n<tr>\n<th>Stufe<\/th>\n<th>Empfohlene Werkzeuge<\/th>\n<th>Zweck<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Vorw\u00e4rtssimulation<\/td>\n<td>Fipy, Elch, Prismen-PF<\/td>\n<td>Phasenfeld- oder Elastizit\u00e4tssimulation<\/td>\n<\/tr>\n<tr>\n<td>Ersatzanpassung<\/td>\n<td>scikit-learn, chaospy, uqpy<\/td>\n<td>Gau\u00dfsche Prozesse, PCE, Regression<\/td>\n<\/tr>\n<tr>\n<td>Bayes&#8217;sche Inferenz<\/td>\n<td>PYMC, Stan<\/td>\n<td>MCMC-Probenahme, posteriore Extraktion<\/td>\n<\/tr>\n<tr>\n<td>Optimierung<\/td>\n<td>sciPy (scipy.optimize), sympy<\/td>\n<td>Gradientenbasierte Methoden, symbolische Ableitungen<\/td>\n<\/tr>\n<tr>\n<td>Identifizierbare Analyse<\/td>\n<td>Salib, Smt<\/td>\n<td>Profilwahrscheinlichkeiten, Sensitivit\u00e4tsscreening<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>FIPY, ein Python-basierter Finite-Volumen-Solver, integriert sich nat\u00fcrlich in Kalibrierpipelines. Sie k\u00f6nnen Phasenfeldmodelle mit FIPY definieren, mit PYMC f\u00fcr Bayes&#8217;sche Inferenz koppeln und scikit-learn f\u00fcr die Ersatzmodellierung verwenden. Das \u00d6kosystem \u00fcbernimmt die vollst\u00e4ndige Pipeline: Vorw\u00e4rtssimulation \u2192 Misfit-Auswertung \u2192 Parameter-Update \u2192 Posterior Extraction.<\/p>\n<p>F\u00fcr ein praktisches FIPY-Integrationsbeispiel w\u00fcrden Sie normalerweise:<\/p>\n<ol>\n<li>Definieren Sie das Phasenfeldmodell in FIPY mit symbolischen Parametern<\/li>\n<li>Vorw\u00e4rtssimulationen an experimentellen Designpunkten ausf\u00fchren<\/li>\n<li>Fit einen Ersatz (GPE oder PCE) mit scikit-learn oder Chaospy<\/li>\n<li>Rufen Sie PYMC an, um Priors, Likelihood und MCMC-Sampling zu definieren<\/li>\n<li>Extrahieren Sie die hintere Statistik und berechnen Sie glaubw\u00fcrdige Intervalle<\/li>\n<\/ol>\n<hr>\n<h2>Kalibrierung, Unsicherheitsquantifizierung und Validierung<\/h2>\n<p>Diese drei Schritte bilden eine verbundene Glaubw\u00fcrdigkeits-Pipeline:<\/p>\n<p><strong>Kalibrierung<\/strong> \u2192 Ermittelt Parameter aus Trainingsdaten<br \/> <strong>Validierung<\/strong> \u2192 Testet kalibriertes Modell gegen unabh\u00e4ngige Daten<br \/> <strong>Unsicherheitsausbreitung<\/strong> \u2192 Quantifiziert Vorhersageintervalle aus kalibrierten Parametern<\/p>\n<p>Die <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheitsquantifizierung Guide <\/a> on MatForge deckt den n\u00e4chsten Schritt nach der Kalibrierung ab: Ausbreitung der Parameterunsicherheit durch das Modell unter Verwendung von Monte Carlo, PCE oder anderen Methoden. Sobald Sie nach der Kalibrierung hintere Verteilungen haben, sollten Sie diese durch das Modell propagieren, um Vorhersageintervalle f\u00fcr interessierende Mengen zu erhalten.<\/p>\n<p>Ein kompletter Workflow sieht so aus:<\/p>\n<ol>\n<li>Definieren Sie Priors und experimentelle Gestaltung<\/li>\n<li>Vorw\u00e4rtssimulationen an experimentellen Designpunkten ausf\u00fchren<\/li>\n<li>Fit Ersatz (GPE, PCE oder PINN)<\/li>\n<li>F\u00fchren Sie MCMC f\u00fcr die posteriore Extraktion aus<\/li>\n<li>Validieren gegen einen unabh\u00e4ngigen Datensatz<\/li>\n<li>Propagieren Sie die hinteren Verteilungen \u00fcber das Modell f\u00fcr UQ<\/li>\n<li>Berichtsparameter glaubw\u00fcrdige Intervalle, Vorhersageintervalle und Sensitivit\u00e4tsrankings<\/li>\n<\/ol>\n<hr>\n<h2>H\u00e4ufige Fehler bei der Modellkalibrierung<\/h2>\n<p>Kalibrierungsstudien scheitern h\u00e4ufig an vermeidbaren Fehlern. Die h\u00e4ufigsten sind:<\/p>\n<ol>\n<li><strong>\u00dcberspringen der Identifizierbarkeitsanalyse<\/strong> \u2014 Kalibrierungsparameter, die nicht durch verf\u00fcgbare Daten eingeschr\u00e4nkt werden k\u00f6nnen, erzeugen nicht informative Seitenz\u00e4hne, die die vorherigen und nicht die Beobachtungen widerspiegeln<\/li>\n<li><strong>Verwenden eines Datensatzes f\u00fcr die Kalibrierung und Validierung<\/strong> &#8211; Die Validierung muss einen unabh\u00e4ngigen Datensatz verwenden, der nicht f\u00fcr die Optimierung verwendet wurde. Andernfalls messen Sie die \u00dcberanpassung, nicht die Modellgenauigkeit<\/li>\n<li><strong>Behandeln von Kalibrierung als Optimierung<\/strong> &#8211; Die Optimierung der kleinsten Quadrate f\u00fchrt zu Punktsch\u00e4tzungen, sagt jedoch nichts \u00fcber die Parameterunsicherheit aus. Bayes&#8217;sche Kalibrierung mit posterioren Verteilungen ist f\u00fcr glaubw\u00fcrdige Vorhersagen unerl\u00e4sslich<\/li>\n<li><strong>\u00dcberanpassung mit zu vielen Parametern<\/strong> \u2013 Mehr Parameter passen immer besser, erh\u00f6hen aber das Risiko des \u00dcberanpassens. Verwenden Sie die Identifizierungsanalyse, um die Dimension vor der Kalibrierung zu verringern<\/li>\n<li><strong>Surrogate nicht validieren<\/strong> \u2013 Ein Ersatz, der gut zu den Trainingsdaten passt, kann schlecht extrapolieren. Unabh\u00e4ngige Validierungspunkte sind obligatorisch<\/li>\n<li><strong>Verwirrende Kalibrierung mit Validierung<\/strong> \u2014 Kalibrierungsabstimmungsparameter; Die Validierung testet das kalibrierte Modell gegen unabh\u00e4ngige Daten. Sie dienen verschiedenen Rollen im VVUQ-Framework<\/li>\n<li><strong>Messunsicherheit ignorieren<\/strong> \u2013 Wahrscheinlichkeiten m\u00fcssen f\u00fcr experimentelle Fehler verantwortlich sein. Die Messunsicherheit ignorieren \u00fcberf\u00e4llig die posteriore Verteilung<\/li>\n<\/ol>\n<hr>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Die Modellkalibrierung \u00fcberbr\u00fcckt theoretische Phasenfeldmodelle und experimentell relevante Vorhersagen. Die Computational Materials Science Community hat sich in den letzten zehn Jahren entscheidend auf probabilistische (bayesische) Rahmenbedingungen umgestellt, was auf die Notwendigkeit zur\u00fcckzuf\u00fchren ist, die Unsicherheit und die zunehmende Erschwinglichkeit von Ersatzmodellen zu quantifizieren.<\/p>\n<p>Die wichtigsten Erkenntnisse f\u00fcr Ihre n\u00e4chste Kalibrierungskampagne:<\/p>\n<ul>\n<li><strong>Starten Sie mit der Identifizierungsanalyse<\/strong> \u2013 nicht alle Parameter werden durch Ihre Daten eingeschr\u00e4nkt. Beheben Sie nicht identifizierbare Parameter aus unabh\u00e4ngigen Messungen.<\/li>\n<li><strong>Verwenden Sie zuerst den zweistufigen Workflow<\/strong> \u2014 Massenkonstanten, dann Bruch\/Dissipation. Dies verringert die Dimension und verhindert eine \u00dcberanpassung.<\/li>\n<li><strong>W\u00e4hlen Sie Ihre Methode nach Modellkosten<\/strong> \u2013 Least-Squares f\u00fcr einfache Modelle, nebeneinander f\u00fcr die Effizienz von mehreren Parametern, Bayesian f\u00fcr Unsicherheit, Ersatz f\u00fcr teure Sims.<\/li>\n<li><strong>Mit unabh\u00e4ngigen Daten validieren<\/strong> \u2013 Verwenden Sie den Kalibrierungsdatensatz niemals zur Validierung.<\/li>\n<li><strong>Unsicherheit vorw\u00e4rts verbreiten<\/strong> \u2014 Die Kalibrierung gibt Ihnen nach hinten; Die UQ-Ausbreitung gibt Ihnen Vorhersageintervalle.<\/li>\n<\/ul>\n<hr>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/understanding-phase-field-models-in-materials-science\/\" rel=\"nofollow noopener\" target=\"_blank\">Phasenfeldmodelle in der Materialwissenschaft verstehen<\/a> \u2014 Hintergrund zu Phasenfeldgleichungen, Mobilit\u00e4t, Grenzfl\u00e4chenenergie und numerischen Strategien<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheit Quantifizierung und Sensitivit\u00e4t Analyse <\/a> \u2014 Kalibrierte Parameterunsicherheiten durch Simulationen mit PCE-, Monte-Carlo- und SOBOL-Indizes weitergeben<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Physik-informierte neuronale Netze (PINNs) f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Surrogate f\u00fcr neuronale Netzwerke f\u00fcr inverse Probleme und die Erkennung von Parametern mit sp\u00e4rlichen Daten<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Verifikation vs Validierung in wissenschaftlichen Simulationen <\/a> &#8211; Platzieren Sie die Kalibrierung innerhalb des breiteren VVUQ-Glaubw\u00fcrdigkeitsrahmens<\/li>\n<li><a href=\"https:\/\/matforge.org\/using-fipy-for-phase-field-modeling\/\" rel=\"nofollow noopener\" target=\"_blank\">Verwenden von FIPY zur Phasenfeldmodellierung<\/a> \u2014 Praktische Implementierungsmuster f\u00fcr FIPY, der Python-basierte Finite Volume Solver<\/li>\n<\/ul>\n<hr>\n<h2>Schl\u00fcsselquellen<\/h2>\n<ol>\n<li><strong> Wu, Rosi\u0107, De Lorenzis, Matthies (2021)<\/strong> &#8211; Parameteridentifikation f\u00fcr die Phasenfeldmodellierung von Frakturen: Ein Bayes&#8217;scher Ansatz mit Probenahme-freier Aktualisierung. <em> Computermechanik <\/em> 67 (2). doi: 10.1007 \/ s00466-020-01942-x<\/li>\n<li><strong>Schmid et al. (2025) <\/strong> &#8211; Kalibrierung eines Phasenfeldmodells mit endlicher Dehnung f\u00fcr gebundene k\u00f6rnige Materialien mit Unsicherheitsquantifizierung. arXiv: 2509.10484v1<\/li>\n<li><strong>Matsuura (2021)<\/strong> &#8211; Adjungiertes Modell zur Sch\u00e4tzung von Materialparametern basierend auf der Entwicklung der Mikrostruktur w\u00e4hrend der spinodalen Zersetzung. <em>Physical Review Materials<\/em> 5, 113801. doi:10.1103\/PhysRevMaterials.5.113801<\/li>\n<li><strong>Waqar, Patel, Simon (2023)<\/strong> &#8211; Ein Tutorial zum Bayes&#8217;schen statistischen Ansatz zu inversen Problemen. <em> APL Mach. Learn. <\/em> 1 (4), 041101. doi: 10.1063 \/ 1.5077393<\/li>\n<li><strong> \u0160odan, Divi\u0107, Friedman, Nikoli\u0107 (2025) <\/strong> &#8211; Untersuchung der Identifizierung von Bayes&#8217;schen Parametern unter Verwendung nicht standardm\u00e4\u00dfiger Laborproben. <em> appl. Sci. <\/em> 15 (11), 6194. doi: 10.3390 \/ app15116194<\/li>\n<\/ol>\n<hr>\n<p><em>Dieser Artikel synthetisiert die Ergebnisse der Peer-Reviewed Computational Materials Science Research. Alle Parameterwerte, Methodenbeschreibungen und Workflowstrukturen werden aus den zitierten Prim\u00e4rquellen abgeleitet. Es werden keine erfundenen URLs oder nicht unterst\u00fctzten Anspr\u00fcche eingeschlossen. <\/em><\/p>\n","protected":false,"raw":"<h2>Schl\u00fcssel zum Mitnehmen<\/h2>\n<ul>\n<li><strong>Modellkalibrierung<\/strong> Bestimmt unbekannte Parameter, so dass eine Simulation Vorhersagen erzeugt, die experimentellen Beobachtungen entsprechen<\/li>\n<li>Vier Methodikfamilien dominieren das Feld: Bayes'sche Inferenz, adjoint-basierte Optimierung, Ersatzmodellierung und traditionelle kleinste Quadrate - jeweils mit deutlichen Kompromissen bei Rechenkosten, Parameterdimensionalit\u00e4t und Unsicherheitsquantifizierung<\/li>\n<li><strong>Identifizierbarkeitsanalyse<\/strong> ist ein obligatorischer Schritt vor der Kalibrierung. Parameter, die durch verf\u00fcgbare experimentelle Daten nicht eingeschr\u00e4nkt werden k\u00f6nnen, m\u00fcssen aus unabh\u00e4ngigen Messungen oder Literatur festgelegt werden<\/li>\n<li>Ein zweistufiger Workflow (Gro\u00dfkonstanten zuerst, dann Bruch\/Dissipation) reduziert das \u00dcberanpassungsrisiko und die effektive Parameterdimension drastisch<\/li>\n<li>Das Python-\u00d6kosystem (FIPY, PYMC, Scikit-Learn, Sympy) bietet eine komplette Kalibrierpipeline von der Vorw\u00e4rtssimulation bis zur posterioren Extraktion<\/li>\n<\/ul>\n<hr>\n<h2>Was ist Modellkalibrierung und wie unterscheidet sie sich von der Unsicherheitsquantifizierung?<\/h2>\n<p>Die Modellkalibrierung ist der Prozess der Anpassung der Parameter eines Rechenmodells, damit seine Vorhersagen mit einer Reihe von Referenzbeobachtungen \u00fcbereinstimmen. In der computergest\u00fctzten Materialwissenschaft k\u00f6nnen diese Parameter Diffusionskoeffizienten, Grenzfl\u00e4chenenergie, Mobilit\u00e4tskonstanten, Bruchenergie, elastische Konstanten oder eine Sch\u00e4digung der Viskosit\u00e4t sein. Sie k\u00f6nnen nicht alle aus ersten Prinzipien abgeleitet werden und m\u00fcssen anhand experimenteller Daten bestimmt werden.<\/p>\n<p>Die Kalibrierung befindet sich im Rahmen des VVUQ-Frameworks (Verifizierungs-, Validierungs- und Unsicherheitsquantifizierung). Die drei Schritte haben unterschiedliche Ziele:<\/p>\n<ol>\n<li><strong>Verifikation<\/strong> \u2013 Sind die Gleichungen korrekt implementiert und gel\u00f6st?<\/li>\n<li><strong>Validierung<\/strong> \u2013 Repr\u00e4sentiert das Modell das reale System angemessen f\u00fcr den beabsichtigten Gebrauch?<\/li>\n<li><strong>Unsicherheitsquantifizierung<\/strong> \u2013 Wie wirken sich unsichere Inputs auf Vorhersagen aus?<\/li>\n<\/ol>\n<p>Kalibrierung erzeugt einen Parametersatz. Die Unsicherheitsquantifizierung propagiert Fehlerbalken durch diese Parameter. Die Validierung vergleicht das endg\u00fcltige Modell mit einem unabh\u00e4ngigen Datensatz. Die Kalibrierung mit Validierung ist ein h\u00e4ufiger Fehler: Die Kalibrierung stellt die Parameter auf einen Datensatz ab, w\u00e4hrend die Validierung das kalibrierte Modell anhand eines anderen Datensatzes testet, der nicht f\u00fcr die Abstimmung verwendet wurde.<\/p>\n<p><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Verifikation und Validierungshandbuch zu Matforge <\/a> erl\u00e4utert den umfassenderen Glaubw\u00fcrdigkeitsprozess. <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheitsquantifizierung und Der Artikel zur Sensitivit\u00e4tsanalyse <\/a> befasst sich mit der Weitergabe der Unsicherheit von kalibrierten Parametern in Vorhersagen.<\/p>\n<hr>\n<h2>Das Kalibrierungsproblem in der computergest\u00fctzten Materialwissenschaft<\/h2>\n<p>Phasenfeldmodelle, Elastizit\u00e4tsmodelle mit endlicher Dehnung, spinodale Zerlegungsmodelle und diskrete Dislokationsmodelle enthalten alle Parameter, die nicht nur aus der Theorie abgeleitet werden k\u00f6nnen. Diese Modelle beschreiben die Entwicklung der Mikrostruktur, die Ausbreitung von Br\u00fcchen, die Phasentrennung und die Defektbewegung. Sie ben\u00f6tigen Eingaben wie:<\/p>\n<ul>\n<li><strong>Diffusionskoeffizienten<\/strong> \u2014 regeln die Massentransportraten<\/li>\n<li><strong>Grenzfl\u00e4chenenergie<\/strong> \u2013 Steuert die Steifigkeit der Phasengrenze<\/li>\n<li><strong>Mobilit\u00e4tskonstanten<\/strong> \u2013 Bestimmen Sie, wie schnell sich Schnittstellen bewegen<\/li>\n<li><strong>Critical Energy Release Rate (GC)<\/strong> \u2013 Legt die Bruchenergieschwelle fest<\/li>\n<li><strong>Elastische Konstanten<\/strong> \u2013 Definieren Sie die Stress-Streik-Reaktion<\/li>\n<li><strong>Schadenviskosit\u00e4t<\/strong> \u2013 Kontrolliert die Dissipation w\u00e4hrend der Rissausbreitung<\/li>\n<\/ul>\n<p>Diese Parameter werden typischerweise durch inverse Probleme identifiziert: Sie beobachten die Ausgabe (Last-Verdr\u00e4ngungskurven, Dehnungsfelder, Phasenanteile, Korngr\u00f6\u00dfen) und schlie\u00dfen die Parameter ab, die sie erzeugt haben. Die umgekehrte Natur des Problems bedeutet, dass es h\u00e4ufig schlecht gestellt ist - mehrere Parameters\u00e4tze k\u00f6nnen \u00e4hnliche Ausgaben erzeugen, insbesondere wenn experimentelle Daten sp\u00e4rlich oder verrauscht sind.<\/p>\n<hr>\n<h2>Vier Methodenfamilien<\/h2>\n<p>Moderne Kalibrierungsans\u00e4tze fallen in vier verschiedene Familien. Jedes hat je nach Modellkosten, Parameterdimensionalit\u00e4t und der Frage, ob eine Unsicherheitsquantifizierung erforderlich ist, unterschiedliche St\u00e4rken und Einschr\u00e4nkungen.<\/p>\n<h3>1. Bayes'sche Inferenz mit MCMC<\/h3>\n<p>Die Bayes'sche Kalibrierung behandelt Parameter als Zufallsvariablen mit Wahrscheinlichkeitsverteilungen anstelle von festen Werten. Der Workflow besteht aus vier Schritten:<\/p>\n<ol>\n<li><strong>Priors definieren<\/strong> \u2013 Weisen Sie jedem Parameter basierend auf Vorkenntnissen oder experimentellen Bereichen Wahrscheinlichkeitsverteilungen zu<\/li>\n<li><strong>Konstruieren Sie eine Wahrscheinlichkeit<\/strong> \u2013 quantifizieren Sie, wie gut Modellvorhersagen bei einem Parametersatz \u00fcbereinstimmen<\/li>\n<li><strong>Beispiele der hinteren<\/strong> \u2014 Verwenden Sie MCMC (Metropolis-Hastings, N\u00fcsse oder Hamilton-Monte-Carlo), um Proben aus der posterioren Verteilung zu ziehen<\/li>\n<li><strong>Spitzenstatistik extrahieren<\/strong> \u2013 Berechnen Sie marginale Verteilungen, glaubw\u00fcrdige Intervalle und Korrelationen<\/li>\n<\/ol>\n<p>Dieser Ansatz ist die aktuelle Forschungsgrenze f\u00fcr die computergest\u00fctzte Materialwissenschaft. J\u00fcngste Studien von Schmid et al. (2025) und \u0160odan et al. (2025) verwenden die auf Ersatz basierende Bayes'sche Kalibrierung, um vollst\u00e4ndige posteriore Verteilungen f\u00fcr elastische Konstanten, Bruchenergie und Schadensparameter zu erzeugen.<\/p>\n<p>Die Hauptbeschr\u00e4nkung sind die Rechenkosten. Traditionelle MCMC erfordern Tausende von Vorw\u00e4rtssimulationen, was f\u00fcr teure Phasenfeldmodelle unpraktisch ist. Aus diesem Grund ist die Ersatzmodellierung (siehe Abschnitt 3) f\u00fcr die Bayes'sche Kalibrierung von Phasenfeldl\u00f6sern fast obligatorisch geworden.<\/p>\n<p><strong>Sampling-freie Updates<\/strong> bieten einen praktischen Einstiegspunkt. Wu et al. (2021) f\u00fchrten abtastefreie lineare Bayes'sche Updates f\u00fcr die Phasenfeldbruchkalibrierung ein. Anstatt Tausende von MCMC-Iterationen auszuf\u00fchren, berechnet diese Methode die bedingte Erwartung von Parametern direkt, die experimentelle Daten erhalten. Es werden posteriore Sch\u00e4tzungen in geschlossener Form ohne Stichproben erstellt, wodurch die massiven Rechenkosten von MCMC vermieden werden. F\u00fcr Forscher ohne GPU-Infrastruktur oder Parallel-Computing sind stichprobenfreie Methoden wesentlich einfacher zu implementieren und bieten immer noch quantifizierte posteriore Verteilungen.<\/p>\n<h3>2. Adjoint-based Optimization<\/h3>\n<p>Adjungierte Methoden l\u00f6sen das Kalibrierungsproblem als PDE-beschr\u00e4nktes Optimierungsproblem. Anstatt die Vorw\u00e4rtssimulationen wiederholt auszuf\u00fchren, berechnet die Methode Gradienten der Zielfunktion in Bezug auf alle Parameter, die eine einzige R\u00fcckw\u00e4rtssimulation verwenden, unabh\u00e4ngig von der Parameteranzahl.<\/p>\n<p>Matsuura (2021) demonstrierte die gleichzeitige Sch\u00e4tzung von sechs Parametern in einem Phasenfeld-Spinodal-Zerlegungsmodell unter Verwendung eines adjoint-basierten Ansatzes. Die Gradientenberechnung erfordert nur eine Vorw\u00e4rts- und eine R\u00fcckw\u00e4rtssimulation - im Gegensatz zu Finite-Differenz-Ans\u00e4tzen, die n + 1-Simulationen f\u00fcr n Parameter erfordern. Dies macht Adjoint-Methoden zur nat\u00fcrlichen Wahl f\u00fcr die Kalibrierung mehrerer Parameter in gro\u00dfen Phasenfeldmodellen.<\/p>\n<p>Der Workflow folgt diesen Schritten:<\/p>\n<ol>\n<li><strong>Definieren Sie die Zielfunktion<\/strong> \u2014 Missstimmung zwischen Simulationsausgabe und experimentellen Daten messen<\/li>\n<li><strong>L\u00f6sen Sie das Vorw\u00e4rtsproblem<\/strong> \u2014 F\u00fchren Sie die Phasenfeldsimulation aus<\/li>\n<li><strong>L\u00f6sen Sie das adjungierte Problem<\/strong> \u2013 propagieren Sie den objektiven Funktionsverlauf r\u00fcckw\u00e4rts durch das Modell<\/li>\n<li><strong>Parameter aktualisieren<\/strong> \u2013 Verwenden Sie den adjungierten Gradienten in einem gradientenbasierten Optimierer (L-BFGS, konjugierter Gradient)<\/li>\n<\/ol>\n<p>Adjektive Methoden skalieren effizient mit der Parameteranzahl, erfordern jedoch analytische Derivate oder adjungierte L\u00f6ser. Dies bedeutet, dass Sie Zugriff auf den Solver-Code oder ein kompatibles automatisches Differenzierungsframework ben\u00f6tigen. Sie erzeugen eher Punktsch\u00e4tzungen als vollst\u00e4ndige posteriore Verteilungen, daher erfordert die Quantifizierung der Unsicherheit zus\u00e4tzliche Schritte wie Bootstrapping oder Linearisierung um das Optimum herum.<\/p>\n<h3>3. Ersatzmodellierung f\u00fcr teure Simulationen<\/h3>\n<p>Wenn eine einzelne Phasenfeldsimulation Stunden oder Tage dauert, wird die direkte Kalibrierung unpraktisch. Ersatzmodelle n\u00e4hern sich dem teuren Simulator an und dienen als billiger Ersatz w\u00e4hrend der Kalibrierungsschleife.<\/p>\n<p>Drei Leihfamilien dominieren die Materialwissenschaftskalibrierung:<\/p>\n<p><strong>Gaussian Process Emulators (GPE)<\/strong> \u2013 am besten f\u00fcr niedrige bis mittelschwere Parameterdimensionen (typischerweise \u2264 10). GPEs bieten Sch\u00e4tzungen f\u00fcr native Unsicherheiten, was bedeutet, dass Sie f\u00fcr jede Ersatzbewertung sowohl eine vorhergesagte Antwort als auch ein Konfidenzintervall erhalten. Sie funktionieren am besten, wenn die Modellantwort glatt ist und der Parameterraum relativ klein ist.<\/p>\n<p><strong>Polynomial Chaos Expansions (PCE)<\/strong> \u2013 Effizient f\u00fcr reibungslose Reaktionen, insbesondere bei sp\u00e4rlicher Regression. Schmid et al. (2025) verwendeten eine sp\u00e4rliche PCE dritter Ordnung zur Kalibrierung von Bruchenergie, elastischen Konstanten und Schadensviskosit\u00e4t um drei Parameter. PCE kann mit relativ wenigen Simulationspunkten (20-50) ausgestattet und dann w\u00e4hrend der Kalibrierungsschleife zu Nullkosten bewertet werden.<\/p>\n<p><strong>Pinns und neuronale Netz-Surrogate<\/strong> \u2013 Als netzfreie Alternativen f\u00fcr inverse Probleme mit sp\u00e4rlichen Daten. <a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Pinns-Handbuch On Matforge <\/a> deckt ihre Architektur und Ausbildung ab. Pinns behandeln unbekannte Parameter als trainierbare Variablen und k\u00f6nnen sie aus sp\u00e4rlichen Grenzbeobachtungen erkennen, wobei teure Vorw\u00e4rtssimulationen vollst\u00e4ndig umgangen werden.<\/p>\n<p>Die Ersatzkalibrierung f\u00fchrt eine neue Unsicherheitsquelle ein: den Approximationsfehler des Surrogats selbst. Ein Ersatz, der gut zu den Trainingsdaten passt, kann schlecht extrapolieren. Die Validierung gegen unabh\u00e4ngige Simulationspunkte ist unerl\u00e4sslich.<\/p>\n<h3>4. Traditionelle kleinste Quadrate und gradientenbasierte Methoden<\/h3>\n<p>Die Optimierung der kleinsten Quadrate bleibt in der industriellen Praxis und einfacheren akademischen Modellen der dominierende Ansatz. Der Workflow minimiert eine quadratische Fehlpassungsfunktion:<\/p>\n<p>$$min_{theta} sum_{i=1}^{n} frac{(y_{text{sim}}(theta)<em>i - y <\/em> { text {exp}}} _i) <sup> 2} { sigma_i <\/sup> 2} $$<\/p>\n<p>Wenn \u03b8 die Parameter ist, y_sim die Simulationsausgabe ist, y_exp die experimentellen Daten und \u03c3_i die Messunsicherheit darstellt.<\/p>\n<p>Dieser Ansatz hat echte St\u00e4rken:<\/p>\n<ul>\n<li>Einfach zu implementieren (scipy.optimize, lsqnonneg)<\/li>\n<li>Schnelle Konvergenz bei konvexen Problemen<\/li>\n<li>Gut verstandene Konvergenztheorie<\/li>\n<\/ul>\n<p>Es hat aber auch klare Einschr\u00e4nkungen:<\/p>\n<ul>\n<li>Keine Unsicherheitsquantifizierung der Parameter<\/li>\n<li>Anf\u00e4llig f\u00fcr lokale Minima bei nicht konvexen Problemen<\/li>\n<li>Abbau mit zunehmender Parameteranzahl<\/li>\n<\/ul>\n<p>Gradientenbasierte Methoden (Gradientenabstieg, L-BFGs) verbessern die basischen kleinsten Quadrate durch Verwendung von Derivaten zur Beschleunigung der Konvergenz. Sie produzieren jedoch immer noch Punktsch\u00e4tzungen, nicht Verteilungen und erfordern eine sorgf\u00e4ltige Auswahl der Initialisierung, um schlechte lokale Minima zu vermeiden.<\/p>\n<hr>\n<h2>Entscheidungsrahmen: Wann wird jede Methode verwendet?<\/h2>\n<p>Die folgende Tabelle fasst zusammen, wann jede Kalibrierungsmethode am besten geeignet ist. Verwenden Sie es als Schnellreferenz, bevor Sie sich auf eine Rechenkampagne verpflichten.<\/p>\n<table>\n<thead>\n<tr>\n<th>Modellcharakteristik<\/th>\n<th>Empfohlener Ausgangspunkt<\/th>\n<th>Hauptvorsicht<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Wenige Parameter (\u2264 4), reibungsloses Ansprechen, moderate Simulationskosten<\/td>\n<td>Least-Squares oder Adjoint-basierte Optimierung<\/td>\n<td>Nur Punktsch\u00e4tzungen; Validierung gegen Literaturbereiche<\/td>\n<\/tr>\n<tr>\n<td>5-15 Parameter, Bedarf Unsicherheit Quantifizierung, GPU-beschleunigt<\/td>\n<td>Leihmutter-Bayesianer mit PCE oder GPE<\/td>\n<td>Surrogate unabh\u00e4ngig validieren; \u00dcberpr\u00fcfen Sie das Extrapolationsverhalten<\/td>\n<\/tr>\n<tr>\n<td>&gt; 15 Parameter, hohe Rechenkosten<\/td>\n<td>Adjoint-basierte Optimierung oder Pinns<\/td>\n<td>Erfordert den Solver-Code-Zugriff oder Unterst\u00fctzung f\u00fcr die automatische Differenzierung<\/td>\n<\/tr>\n<tr>\n<td>Teurer Simulator, niedrigdimensionaler Parameterraum, ben\u00f6tigt volle Seitenz.<\/td>\n<td>Gau\u00dfscher Prozessemulator mit MCMC<\/td>\n<td>GPE skaliert schlecht \u00fcber ~20 Parameter hinaus<\/td>\n<\/tr>\n<tr>\n<td>Sp\u00e4rliche Daten, inverses Problem nur mit Randbedingungen<\/td>\n<td>Pinns oder Stichprobenfreies Bayes'sches Update<\/td>\n<td>Pinns erfordern einen sorgf\u00e4ltigen Verlustausgleich; Stichprobenfreie Methoden nehmen eine lineare Reaktion an<\/td>\n<\/tr>\n<tr>\n<td>Industrielle Einstellung, schnelle Abwicklung erforderlich, keine UQ-Anforderung<\/td>\n<td>Gradientenbasierte Optimierung mit fester Initialisierung<\/td>\n<td>Immer gegen einen unabh\u00e4ngigen Datensatz validieren<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<hr>\n<h2>Identifizierbare Analyse: Der obligatorische Vorschritt<\/h2>\n<p>Eine der wichtigsten Lehren aus j\u00fcngsten Kalibrierungsstudien ist, dass <strong>Nicht alle Parameter sind aus jedem Experiment erkennbar <\/strong>. Die Identifizierungsanalyse legt fest, welche Parameter durch Ihre verf\u00fcgbaren Daten tats\u00e4chlich eingeschr\u00e4nkt werden k\u00f6nnen, bevor Sie mit der Kalibrierung beginnen.<\/p>\n<p>Schmid et al. (2025) kalibrierte Bruchparameter f\u00fcr gebundene k\u00f6rnige Materialien gegen Kraft-Weg-Daten. Ihre Analyse ergab, dass die kritische Energiefreisetzungsrate (GC) aus den verf\u00fcgbaren Mengen von Interesse <strong> nicht identifizierbar <\/strong> war. Nur der Elastizit\u00e4tsmodul und die Schadensviskosit\u00e4t wurden durch die Daten eingeschr\u00e4nkt. In der Studie wurde ausdr\u00fccklich empfohlen, nicht identifizierbare Parameter aus der Literatur oder einem anderen Experimenttyp zu fixieren.<\/p>\n<p>Dies ist eine wichtige praktische Lektion: Wenn ein Parameter nicht identifizierbar ist, sollten Sie nicht versuchen, ihn aus dem aktuellen Datensatz zu kalibrieren. Beheben Sie es stattdessen aus unabh\u00e4ngigen Messungen wie DIC-Dehnungsfeldern, Ultraschallwellengeschwindigkeiten oder Einzugstests.<\/p>\n<p>Identifizierbarkeit kann beurteilt werden durch:<\/p>\n<ul>\n<li><strong>Lokale Identifizierbarkeit<\/strong> \u2013 Untersuchen Sie, ob der Jacobian der Modellausgabe in Bezug auf Parameter volle Rangfolge am Referenzpunkt hat<\/li>\n<li><strong>Globale Identifizierbarkeit<\/strong> \u2013 Stellen Sie sicher, dass unterschiedliche Parameterwerte unterschiedliche Ausgaben liefern (h\u00e4ufig Bayes'sche Analyse oder Profilwahrscheinlichkeiten)<\/li>\n<li><strong>Vorherige Vorhersagepr\u00fcfungen<\/strong> \u2013 Simulieren Sie aus dem Prior und vergleichen Sie sie mit experimentellen Datenbereichen<\/li>\n<\/ul>\n<p>Das \u00dcberspringen der Identifizierungsanalyse ist ein h\u00e4ufiger Fehlermodus. Viele ver\u00f6ffentlichte Kalibrierungen geben posteriore Verteilungen f\u00fcr Parameter an, die durch die experimentellen Daten nie wirklich eingeschr\u00e4nkt wurden. Diese Verteilungen sind mathematisch g\u00fcltig, aber wissenschaftlich nicht informativ - sie spiegeln die vorherigen und nicht die Daten wider.<\/p>\n<hr>\n<h2>Ein praktischer zweistufiger Kalibrier-Workflow<\/h2>\n<p>Alle wichtigen Kalibrierungsstudien folgen einem zweistufigen Verfahren. Dieser Workflow verhindert eine \u00dcberanpassung und verringert die effektive Dimension des Kalibrierungsproblems.<\/p>\n<h3>Stufe 1: Elastische und Massenkonstanten<\/h3>\n<p>Sch\u00e4tzen Sie Sch\u00fcttguteigenschaften aus unabh\u00e4ngigen, direkten Messungen:<\/p>\n<ul>\n<li><strong>Junge Module und Poisson-Verh\u00e4ltnis<\/strong> \u2014 aus Ultraschallwellengeschwindigkeiten oder Zugversuchen<\/li>\n<li><strong>Diffusionskoeffizienten<\/strong> \u2014 aus Messungen der Korngrenzensegregation<\/li>\n<li><strong>Grenzfl\u00e4chenenergie<\/strong> \u2013 aus Phasengleichgewichtsberechnungen (Calphad) oder direkter Messung<\/li>\n<\/ul>\n<p>Diese Parameter steuern die mechanische Gesamtreaktion und sind typischerweise durch direkte experimentelle Messungen gut eingeschr\u00e4nkt. Die Kalibrierung fixiert zuerst das mechanische Grundverhalten und isoliert die h\u00e4rteren Bruch- \/ Dissipationsparameter auf Stufe 2.<\/p>\n<h3>Stufe 2: Bruch- und Dissipationsparameter<\/h3>\n<p>Bruchbedingte Parameter gegen mechanische Reaktionsdaten kalibrieren:<\/p>\n<ul>\n<li><strong>Critical Energy Release Rate (GC)<\/strong> \u2014 aus Last-Verdr\u00e4ngungskurven in Bruchtests (3-Punkt-Biegen, Zugbruch)<\/li>\n<li><strong>Schadenviskosit\u00e4t<\/strong> \u2013 aus der Dehnungsratenempfindlichkeit und der Dissipationsanalyse<\/li>\n<li><strong>Frakturmobilit\u00e4t<\/strong> \u2014 aus der Rissausbreitungsgeschwindigkeitsmessung<\/li>\n<\/ul>\n<p>Diese Stufe funktioniert mit einem reduzierten Parametersatz (typischerweise 2-4 Parameter), da Stufe 1 die Massenkonstanten fixiert hat. Der zweistufige Ansatz reduziert das \u00dcberanpassungsrisiko drastisch und macht das Kalibrierungsproblem numerisch nachvollziehbar.<\/p>\n<hr>\n<h2>materialwissenschaftliche Anwendungen mit realen Parametern<\/h2>\n<h3>Bruchmechanik: Phasenfeld-Frakturkalibrierung<\/h3>\n<p>Die Wu et al. (2021) kalibrierte ein Phasenfeldbruchmodell gegen Dreipunktbiegeversuche an Zementm\u00f6rtel. Die Parameter enthalten:<\/p>\n<ul>\n<li>Elastische Konstanten (Jugendmodul, Poisson-Verh\u00e4ltnis) aus Ultraschallmessungen<\/li>\n<li>Bruchenergie GC aus Last-Weg-Kurven<\/li>\n<li>Schnittstellenmobilit\u00e4t aus Rissgeschwindigkeitsbeobachtungen<\/li>\n<li>Sch\u00e4digung der Viskosit\u00e4t aus der Dissipationsanalyse<\/li>\n<\/ul>\n<p>Die Bayes'sche Kalibrierung erzeugte hintere Verteilungen mit 95% glaubw\u00fcrdigen Intervallen. Das stichprobenfreie Update verhinderte Tausende von Vorw\u00e4rtssimulationen und f\u00fchrte zu geschlossenen posterioren Sch\u00e4tzungen in Stunden anstelle von Wochen.<\/p>\n<h3>Spinodal-Zersetzung: Mehrparameter-Sch\u00e4tzung<\/h3>\n<p>Matsuura (2021) sch\u00e4tzte sechs Parameter gleichzeitig in einem Phasenfeld-Spinodal-Zerlegungsmodell unter Verwendung einer adjoint-basierten Methode. Parameter enthalten:<\/p>\n<ul>\n<li>chemische Diffusivit\u00e4t<\/li>\n<li>Gradientenenergiekoeffizienten<\/li>\n<li>Schnittstellenmobilit\u00e4t<\/li>\n<li>Temperaturabh\u00e4ngige Reaktionsgeschwindigkeiten<\/li>\n<li>anf\u00e4ngliche Kompositionsst\u00f6rungen<\/li>\n<li>Dehnungsenergiekopplungskonstanten<\/li>\n<\/ul>\n<p>Die adjoint-Methode l\u00f6ste alle sechs Parameter in einer einzigen Optimierungsschleife mit einer Vorw\u00e4rts- und einer R\u00fcckw\u00e4rtssimulation pro Iteration - weitaus effizienter als Finite-Differenz-Ans\u00e4tze, die sieben Simulationen pro Iteration erfordern w\u00fcrden.<\/p>\n<h3>Elastoplastische Materialien: Nicht-Standard-Proben<\/h3>\n<p>\u0160odan et al. (2025) kalibrierte elastoplastische Parameter aus nicht standardm\u00e4\u00dfigen gekerbten Aluminiumproben. Die Studie zeigte, dass die Identifizierung von Bayes'schen Parametern auch bei komplexen Geometrien und nicht standardm\u00e4\u00dfigen experimentellen Daten gut funktioniert und volle posteriore Verteilungen f\u00fcr Flie\u00dfspannung, H\u00e4rtemodul und Dehnungsratenempfindlichkeit erzeugt werden.<\/p>\n<hr>\n<h2>Das Python-\u00d6kosystem f\u00fcr die Kalibrierung<\/h2>\n<p>Kalibrierungs-Workflows integrieren mehrere Python-Tools \u00fcber verschiedene Stufen hinweg:<\/p>\n<table>\n<thead>\n<tr>\n<th>Stufe<\/th>\n<th>Empfohlene Werkzeuge<\/th>\n<th>Zweck<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Vorw\u00e4rtssimulation<\/td>\n<td>Fipy, Elch, Prismen-PF<\/td>\n<td>Phasenfeld- oder Elastizit\u00e4tssimulation<\/td>\n<\/tr>\n<tr>\n<td>Ersatzanpassung<\/td>\n<td>scikit-learn, chaospy, uqpy<\/td>\n<td>Gau\u00dfsche Prozesse, PCE, Regression<\/td>\n<\/tr>\n<tr>\n<td>Bayes'sche Inferenz<\/td>\n<td>PYMC, Stan<\/td>\n<td>MCMC-Probenahme, posteriore Extraktion<\/td>\n<\/tr>\n<tr>\n<td>Optimierung<\/td>\n<td>sciPy (scipy.optimize), sympy<\/td>\n<td>Gradientenbasierte Methoden, symbolische Ableitungen<\/td>\n<\/tr>\n<tr>\n<td>Identifizierbare Analyse<\/td>\n<td>Salib, Smt<\/td>\n<td>Profilwahrscheinlichkeiten, Sensitivit\u00e4tsscreening<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>FIPY, ein Python-basierter Finite-Volumen-Solver, integriert sich nat\u00fcrlich in Kalibrierpipelines. Sie k\u00f6nnen Phasenfeldmodelle mit FIPY definieren, mit PYMC f\u00fcr Bayes'sche Inferenz koppeln und scikit-learn f\u00fcr die Ersatzmodellierung verwenden. Das \u00d6kosystem \u00fcbernimmt die vollst\u00e4ndige Pipeline: Vorw\u00e4rtssimulation \u2192 Misfit-Auswertung \u2192 Parameter-Update \u2192 Posterior Extraction.<\/p>\n<p>F\u00fcr ein praktisches FIPY-Integrationsbeispiel w\u00fcrden Sie normalerweise:<\/p>\n<ol>\n<li>Definieren Sie das Phasenfeldmodell in FIPY mit symbolischen Parametern<\/li>\n<li>Vorw\u00e4rtssimulationen an experimentellen Designpunkten ausf\u00fchren<\/li>\n<li>Fit einen Ersatz (GPE oder PCE) mit scikit-learn oder Chaospy<\/li>\n<li>Rufen Sie PYMC an, um Priors, Likelihood und MCMC-Sampling zu definieren<\/li>\n<li>Extrahieren Sie die hintere Statistik und berechnen Sie glaubw\u00fcrdige Intervalle<\/li>\n<\/ol>\n<hr>\n<h2>Kalibrierung, Unsicherheitsquantifizierung und Validierung<\/h2>\n<p>Diese drei Schritte bilden eine verbundene Glaubw\u00fcrdigkeits-Pipeline:<\/p>\n<p><strong>Kalibrierung<\/strong> \u2192 Ermittelt Parameter aus Trainingsdaten<br> <strong>Validierung<\/strong> \u2192 Testet kalibriertes Modell gegen unabh\u00e4ngige Daten<br> <strong>Unsicherheitsausbreitung<\/strong> \u2192 Quantifiziert Vorhersageintervalle aus kalibrierten Parametern<\/p>\n<p>Die <a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheitsquantifizierung Guide <\/a> on MatForge deckt den n\u00e4chsten Schritt nach der Kalibrierung ab: Ausbreitung der Parameterunsicherheit durch das Modell unter Verwendung von Monte Carlo, PCE oder anderen Methoden. Sobald Sie nach der Kalibrierung hintere Verteilungen haben, sollten Sie diese durch das Modell propagieren, um Vorhersageintervalle f\u00fcr interessierende Mengen zu erhalten.<\/p>\n<p>Ein kompletter Workflow sieht so aus:<\/p>\n<ol>\n<li>Definieren Sie Priors und experimentelle Gestaltung<\/li>\n<li>Vorw\u00e4rtssimulationen an experimentellen Designpunkten ausf\u00fchren<\/li>\n<li>Fit Ersatz (GPE, PCE oder PINN)<\/li>\n<li>F\u00fchren Sie MCMC f\u00fcr die posteriore Extraktion aus<\/li>\n<li>Validieren gegen einen unabh\u00e4ngigen Datensatz<\/li>\n<li>Propagieren Sie die hinteren Verteilungen \u00fcber das Modell f\u00fcr UQ<\/li>\n<li>Berichtsparameter glaubw\u00fcrdige Intervalle, Vorhersageintervalle und Sensitivit\u00e4tsrankings<\/li>\n<\/ol>\n<hr>\n<h2>H\u00e4ufige Fehler bei der Modellkalibrierung<\/h2>\n<p>Kalibrierungsstudien scheitern h\u00e4ufig an vermeidbaren Fehlern. Die h\u00e4ufigsten sind:<\/p>\n<ol>\n<li><strong>\u00dcberspringen der Identifizierbarkeitsanalyse<\/strong> \u2014 Kalibrierungsparameter, die nicht durch verf\u00fcgbare Daten eingeschr\u00e4nkt werden k\u00f6nnen, erzeugen nicht informative Seitenz\u00e4hne, die die vorherigen und nicht die Beobachtungen widerspiegeln<\/li>\n<li><strong>Verwenden eines Datensatzes f\u00fcr die Kalibrierung und Validierung<\/strong> - Die Validierung muss einen unabh\u00e4ngigen Datensatz verwenden, der nicht f\u00fcr die Optimierung verwendet wurde. Andernfalls messen Sie die \u00dcberanpassung, nicht die Modellgenauigkeit<\/li>\n<li><strong>Behandeln von Kalibrierung als Optimierung<\/strong> - Die Optimierung der kleinsten Quadrate f\u00fchrt zu Punktsch\u00e4tzungen, sagt jedoch nichts \u00fcber die Parameterunsicherheit aus. Bayes'sche Kalibrierung mit posterioren Verteilungen ist f\u00fcr glaubw\u00fcrdige Vorhersagen unerl\u00e4sslich<\/li>\n<li><strong>\u00dcberanpassung mit zu vielen Parametern<\/strong> \u2013 Mehr Parameter passen immer besser, erh\u00f6hen aber das Risiko des \u00dcberanpassens. Verwenden Sie die Identifizierungsanalyse, um die Dimension vor der Kalibrierung zu verringern<\/li>\n<li><strong>Surrogate nicht validieren<\/strong> \u2013 Ein Ersatz, der gut zu den Trainingsdaten passt, kann schlecht extrapolieren. Unabh\u00e4ngige Validierungspunkte sind obligatorisch<\/li>\n<li><strong>Verwirrende Kalibrierung mit Validierung<\/strong> \u2014 Kalibrierungsabstimmungsparameter; Die Validierung testet das kalibrierte Modell gegen unabh\u00e4ngige Daten. Sie dienen verschiedenen Rollen im VVUQ-Framework<\/li>\n<li><strong>Messunsicherheit ignorieren<\/strong> \u2013 Wahrscheinlichkeiten m\u00fcssen f\u00fcr experimentelle Fehler verantwortlich sein. Die Messunsicherheit ignorieren \u00fcberf\u00e4llig die posteriore Verteilung<\/li>\n<\/ol>\n<hr>\n<h2>Zusammenfassung und n\u00e4chste Schritte<\/h2>\n<p>Die Modellkalibrierung \u00fcberbr\u00fcckt theoretische Phasenfeldmodelle und experimentell relevante Vorhersagen. Die Computational Materials Science Community hat sich in den letzten zehn Jahren entscheidend auf probabilistische (bayesische) Rahmenbedingungen umgestellt, was auf die Notwendigkeit zur\u00fcckzuf\u00fchren ist, die Unsicherheit und die zunehmende Erschwinglichkeit von Ersatzmodellen zu quantifizieren.<\/p>\n<p>Die wichtigsten Erkenntnisse f\u00fcr Ihre n\u00e4chste Kalibrierungskampagne:<\/p>\n<ul>\n<li><strong>Starten Sie mit der Identifizierungsanalyse<\/strong> \u2013 nicht alle Parameter werden durch Ihre Daten eingeschr\u00e4nkt. Beheben Sie nicht identifizierbare Parameter aus unabh\u00e4ngigen Messungen.<\/li>\n<li><strong>Verwenden Sie zuerst den zweistufigen Workflow<\/strong> \u2014 Massenkonstanten, dann Bruch\/Dissipation. Dies verringert die Dimension und verhindert eine \u00dcberanpassung.<\/li>\n<li><strong>W\u00e4hlen Sie Ihre Methode nach Modellkosten<\/strong> \u2013 Least-Squares f\u00fcr einfache Modelle, nebeneinander f\u00fcr die Effizienz von mehreren Parametern, Bayesian f\u00fcr Unsicherheit, Ersatz f\u00fcr teure Sims.<\/li>\n<li><strong>Mit unabh\u00e4ngigen Daten validieren<\/strong> \u2013 Verwenden Sie den Kalibrierungsdatensatz niemals zur Validierung.<\/li>\n<li><strong>Unsicherheit vorw\u00e4rts verbreiten<\/strong> \u2014 Die Kalibrierung gibt Ihnen nach hinten; Die UQ-Ausbreitung gibt Ihnen Vorhersageintervalle.<\/li>\n<\/ul>\n<hr>\n<h2>Verwandte Anleitungen<\/h2>\n<ul>\n<li><a href=\"https:\/\/matforge.org\/understanding-phase-field-models-in-materials-science\/\" rel=\"nofollow noopener\" target=\"_blank\">Phasenfeldmodelle in der Materialwissenschaft verstehen<\/a> \u2014 Hintergrund zu Phasenfeldgleichungen, Mobilit\u00e4t, Grenzfl\u00e4chenenergie und numerischen Strategien<\/li>\n<li><a href=\"https:\/\/matforge.org\/uncertainty-quantification-sensitivity-analysis-scientific-simulation\/\" rel=\"nofollow noopener\" target=\"_blank\">Unsicherheit Quantifizierung und Sensitivit\u00e4t Analyse <\/a> \u2014 Kalibrierte Parameterunsicherheiten durch Simulationen mit PCE-, Monte-Carlo- und SOBOL-Indizes weitergeben<\/li>\n<li><a href=\"https:\/\/matforge.org\/physics-informed-neural-networks-pinns-for-scientific-simulations\/\" rel=\"nofollow noopener\" target=\"_blank\">Physik-informierte neuronale Netze (PINNs) f\u00fcr wissenschaftliche Simulationen<\/a> \u2014 Surrogate f\u00fcr neuronale Netzwerke f\u00fcr inverse Probleme und die Erkennung von Parametern mit sp\u00e4rlichen Daten<\/li>\n<li><a href=\"https:\/\/matforge.org\/verification-vs-validation-in-scientific-simulations-a-practical-guide\/\" rel=\"nofollow noopener\" target=\"_blank\">Verifikation vs Validierung in wissenschaftlichen Simulationen <\/a> - Platzieren Sie die Kalibrierung innerhalb des breiteren VVUQ-Glaubw\u00fcrdigkeitsrahmens<\/li>\n<li><a href=\"https:\/\/matforge.org\/using-fipy-for-phase-field-modeling\/\" rel=\"nofollow noopener\" target=\"_blank\">Verwenden von FIPY zur Phasenfeldmodellierung<\/a> \u2014 Praktische Implementierungsmuster f\u00fcr FIPY, der Python-basierte Finite Volume Solver<\/li>\n<\/ul>\n<hr>\n<h2>Schl\u00fcsselquellen<\/h2>\n<ol>\n<li><strong> Wu, Rosi\u0107, De Lorenzis, Matthies (2021)<\/strong> - Parameteridentifikation f\u00fcr die Phasenfeldmodellierung von Frakturen: Ein Bayes'scher Ansatz mit Probenahme-freier Aktualisierung. <em> Computermechanik <\/em> 67 (2). doi: 10.1007 \/ s00466-020-01942-x<\/li>\n<li><strong>Schmid et al. (2025) <\/strong> - Kalibrierung eines Phasenfeldmodells mit endlicher Dehnung f\u00fcr gebundene k\u00f6rnige Materialien mit Unsicherheitsquantifizierung. arXiv: 2509.10484v1<\/li>\n<li><strong>Matsuura (2021)<\/strong> - Adjungiertes Modell zur Sch\u00e4tzung von Materialparametern basierend auf der Entwicklung der Mikrostruktur w\u00e4hrend der spinodalen Zersetzung. <em>Physical Review Materials<\/em> 5, 113801. doi:10.1103\/PhysRevMaterials.5.113801<\/li>\n<li><strong>Waqar, Patel, Simon (2023)<\/strong> - Ein Tutorial zum Bayes'schen statistischen Ansatz zu inversen Problemen. <em> APL Mach. Learn. <\/em> 1 (4), 041101. doi: 10.1063 \/ 1.5077393<\/li>\n<li><strong> \u0160odan, Divi\u0107, Friedman, Nikoli\u0107 (2025) <\/strong> - Untersuchung der Identifizierung von Bayes'schen Parametern unter Verwendung nicht standardm\u00e4\u00dfiger Laborproben. <em> appl. Sci. <\/em> 15 (11), 6194. doi: 10.3390 \/ app15116194<\/li>\n<\/ol>\n<hr>\n<p><em>Dieser Artikel synthetisiert die Ergebnisse der Peer-Reviewed Computational Materials Science Research. Alle Parameterwerte, Methodenbeschreibungen und Workflowstrukturen werden aus den zitierten Prim\u00e4rquellen abgeleitet. Es werden keine erfundenen URLs oder nicht unterst\u00fctzten Anspr\u00fcche eingeschlossen. <\/em><\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 10<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Erfahren Sie Bayesian MCMC, Adjoint Optimization, Surrogate Modeling und praktische Workflows zur Kalibrierung von Rechenmaterialmodellen.<\/p>\n","protected":false,"raw":"Erfahren Sie Bayesian MCMC, Adjoint Optimization, Surrogate Modeling und praktische Workflows zur Kalibrierung von Rechenmaterialmodellen."},"author":6,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"de_DE","_original_post":"https:\/\/matforge.org\/model-calibration-techniques-computational-materials-science\/","iawp_total_views":0,"footnotes":""},"categories":[1],"tags":[44,42,47,15,5,49,43,41,23,46,10,48,16,24,45,50],"class_list":["post-897","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","tag-adjoint-methods","tag-bayesian-inference","tag-computational-materials-science","tag-deep-learning","tag-fipy","tag-identifiability","tag-mcmc","tag-model-calibration","tag-numerical-methods","tag-parameter-estimation","tag-pde","tag-phase-field","tag-scientific-python","tag-scientific-simulation","tag-surrogate-modeling","tag-uq","de-DE"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.1 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org\" \/>\n<meta property=\"og:description\" content=\"Reading Time:  10 minutesErfahren Sie Bayesian MCMC, Adjoint Optimization, Surrogate Modeling und praktische Workflows zur Kalibrierung von Rechenmaterialmodellen.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-30T12:23:19+00:00\" \/>\n<meta name=\"author\" content=\"steven\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"steven\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"15\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/\"},\"author\":{\"name\":\"steven\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"headline\":\"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft\",\"datePublished\":\"2026-07-30T12:23:19+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/\"},\"wordCount\":3028,\"commentCount\":0,\"keywords\":[\"Adjungierte Methoden\",\"Bayes'sche Inferenz\",\"Computational Materials Science\",\"Deep Learning\",\"FiPy\",\"identifiability\",\"MCMC\",\"model calibration\",\"numerical methods\",\"parameter estimation\",\"PDE\",\"phase-field\",\"scientific python\",\"scientific simulation\",\"surrogate modeling\",\"UQ\"],\"articleSection\":[\"Simulation & amp; Modellierungsprojekte\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/\",\"name\":\"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-07-30T12:23:19+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\"},\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/de\\\/model-calibration-techniques-computational-materials-science\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/de\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/8f690fb596d657b12994b83caa788f03\",\"name\":\"steven\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g\",\"caption\":\"steven\"},\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/steven\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/","og_locale":"de_DE","og_type":"article","og_title":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org","og_description":"Reading Time:  10 minutesErfahren Sie Bayesian MCMC, Adjoint Optimization, Surrogate Modeling und praktische Workflows zur Kalibrierung von Rechenmaterialmodellen.","og_url":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/","og_site_name":"matforge.org","article_published_time":"2026-07-30T12:23:19+00:00","author":"steven","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"steven","Gesch\u00e4tzte Lesezeit":"15\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/"},"author":{"name":"steven","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"headline":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft","datePublished":"2026-07-30T12:23:19+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/"},"wordCount":3028,"commentCount":0,"keywords":["Adjungierte Methoden","Bayes'sche Inferenz","Computational Materials Science","Deep Learning","FiPy","identifiability","MCMC","model calibration","numerical methods","parameter estimation","PDE","phase-field","scientific python","scientific simulation","surrogate modeling","UQ"],"articleSection":["Simulation & amp; Modellierungsprojekte"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/","url":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/","name":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft - matforge.org","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-07-30T12:23:19+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03"},"breadcrumb":{"@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/de\/model-calibration-techniques-computational-materials-science\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/de\/"},{"@type":"ListItem","position":2,"name":"Modellkalibrierungstechniken f\u00fcr die computergest\u00fctzte Materialwissenschaft"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/8f690fb596d657b12994b83caa788f03","name":"steven","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/d46cfcd83a298f27e8d66bfa035514fefca7652f26bd3ef7402f82b68a41ec0f?s=96&d=mm&r=g","caption":"steven"},"url":"https:\/\/matforge.org\/author\/steven\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/897","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=897"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/897\/revisions"}],"predecessor-version":[{"id":1011,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/897\/revisions\/1011"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=897"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=897"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=897"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}