Im Rahmen dieser Arbeit werden parametrisierte Drop-Impacts Fälle simuliert und mit Hilfe eines neuronalen Netzes aus dem Endzustand der Simulation die Ausgangs-Parameter bestimmt.

Für die Simulation wird das Verhalten der Fluide mit numerischen Methoden beschrieben. In dieser Arbeit wird für diesen Zweck das Programm ALPACA des Lehrstuhls für Fluidmechanik der TU München verwendet. Mit den parametrisierten Randbedingungen der Tropfengröße, Aufprallgeschwindigkeit, Viskosität und Beckentiefe, die in bestimmten Intervallen variiert werden, wird ein Datenset an Simulationen generiert.

Mit diesem Datenset wird mithilfe von PyTorch, ein Machine-Learning-Framework, ein neuronales Netz trainiert. Hierbei wurde der mehrschichtige Perzeptron ausgewählt und mehrere Konfigurationen zum Erstellen eines optimierten Netzes getestet.

Als Resultat der Optimierung zeigte sich, dass bei geringem Genauigkeitsverlust ein Netz mit 2 Schichten und einer Inputschicht von 32*32 Neuronen einen deutlichen Rechenzeitvorteil gegenüber größeren Netzen bietet.