Simulation

Man kann zwischen Simulationen mit und ohne Informationstechnik unterscheiden. Eine Simulation ist ein „Als ob“-Durchspielen von Prozessen; das kann man auch ohne Computer tun.

Physikalische Experimente werden auch als Simulationen bezeichnet: Ein Auto-Crashtest beispielsweise ist eine Simulation für eine reale Verkehrssituation, in der ein Auto in einen Verkehrsunfall verwickelt ist. Dabei wird die Vorgeschichte des Unfalls, die Verkehrssituation und die genaue Beschaffenheit des Unfallgegners stark vereinfacht. Auch sind keine Personen in den simulierten Unfall verwickelt, stattdessen werden Crashtest-Dummys eingesetzt, die mit realen Menschen gewisse mechanische Eigenschaften gemeinsam haben. Ein Simulationsmodell hat also nur ganz bestimmte Aspekte mit einem realen Unfall gemeinsam. Welche Aspekte dies sind, hängt maßgeblich von der Fragestellung ab, die mit der Simulation beantwortet werden soll.

Ebenso in diese Kategorie fallen Versuche in Strömungswindkanälen. Hier können beispielsweise an einem maßstäblich verkleinerten Modell Aussagen über Luftwiderstand und Auftrieb von Flugzeugen gemacht werden. Das Gleiche gilt für Brandsimulationen: Gefährliche Situationen wie Brände in geschlossenen Räumen oder Fahrzeugen werden nachgestellt und mit echtem Personal zu Ausbildungszwecken der Rettung bzw. Löschung trainiert oder neue Materialien auf ihre Brandschutzeigenschaften hin geprüft.

Wenn heute von „Simulation“ die Rede ist, so ist fast immer elektronische Datenverarbeitung involviert, d. h. mehr oder weniger komplexe IT-Systeme. Grundsätzlich lässt sich die Simulation in statische vs. dynamische und stochastische vs. deterministische Simulation einteilen. Bei der statischen Simulation spielt die Zeit als dynamische Größe keine Rolle und ist nicht Teil des Systems. Die deterministische Simulation schließt zufällige (stochastische) Ereignisse aus. Mit Hilfe von speziellen Algorithmen oder künstlicher Intelligenz können Simulationen auch mehr oder weniger autonom ablaufen, d. h. sie reagieren dann selbständig auf Umwelteinflüsse. Diese Algorithmen sind ihrerseits wieder "nur" Simulationen der in der Realität auftretenden Rückkopplungssysteme.

Für den Einsatz von Simulationen kann es mehrere Gründe geben:

• Eine Untersuchung am realen System wäre zu aufwendig, zu teuer, ethisch nicht vertretbar oder zu gefährlich. Beispiele:
  • Fahrsimulator (zu gefährlich in der Realität).
  • Flugsimulator zur Pilotenausbildung, Nachstellung kritischer Szenarien (Triebwerksausfall, Notlandung – zu gefährlich in der Realität).
  • Medizinische Simulation zur Ausbildung und Fortbildung von klinischem Personal, insbesondere Notfallsituationen oder Komplikationen
  • Simulatoren in der medizinischen Ausbildung (ein Training am realen Patienten ist in einigen Bereichen ethisch nicht vertretbar).
  • Ein Kraftwerkssimulator, in dem vor allem die Bedienmannschaften von Kernkraftwerken die Beherrschung von Störfällen bis hin zum GAU trainieren (zu gefährlich in der Realität).
  • Crashtest (zu gefährlich oder zu aufwendig in der Realität).
  • Simulation von Fertigungsanlagen vor einem Umbau (mehrfacher Umbau der Anlage in der Realität wäre zu aufwendig und zu teuer).
  • Simulationsmodelle können wesentlich leichter modifiziert werden als das reale System. Beispiel: Biosimulation.
  • In den beiden letztgenannten Fällen kommt eine Simulation auch wesentlich schneller zum Ergebnis als die Herstellung eines realen Versuchsaufbaus dauert.
• Das reale System existiert (noch) nicht. Beispiel: Windkanal­experimente mit Flugzeugmodellen, bevor das Flugzeug gefertigt wird
• Das reale System lässt sich nicht direkt beobachten:
  • Systembedingt. Beispiel: Simulation einzelner Moleküle in einer Flüssigkeit, Astrophysikalische Prozesse.
  • Das reale System arbeitet zu schnell. Beispiel: Simulation von Schaltkreisen.
  • Das reale System arbeitet zu langsam. Beispiel: Simulation geologischer Prozesse.
• Das reale System ist unverstanden oder sehr komplex. Beispiel: Urknall.
• Das reale System ist in seiner elementaren Dynamik zwar verstanden, die zeitliche Entwicklung ist aber zu komplex, bzw. eine exakte Lösung der Bewegungsgleichung ist (noch) nicht möglich. Beispiele: Drei-Körper-Problem, Doppelpendel, Molekulardynamik, generell nichtlineare Systeme.
• Simulationen sind reproduzierbar (Ausnahme: randomisierte Algorithmen).

Aus Anwendungssicht lassen sich verschiedene Simulationstypen unterscheiden:

1. Technische Simulationen, beispielsweise zur Festigkeitsberechnung (FEM), Strömungssimulation, von Fabrikprozessen und komplexen logistischen Systemen, zur virtuellen Inbetriebnahme oder Schaltungssimulation
2. Wissenschaftliches Rechnen, mit Anwendungen in der Physik, Chemie, Biologie, Meteorologie
3. Simulationen für die Aus- und Weiterbildung, beispielsweise Unternehmensplanspiele oder Medizinische Simulationen
4. Simulationsspiele, beispielsweise Flugsimulationen, Rennsimulationen, Wirtschaftssimulationen

Die Arbeitsgemeinschaft Simulation (ASIM) der Gesellschaft für Informatik GI unterscheidet folgende Anwendungsbereiche, für die jeweils eine Fachgruppe eingerichtet wurde:

   1. Grundlagen und Methoden in Modellbildung und Simulation
   2. Simulation in Umwelt- und Geowissenschaften
   3. Simulation Technischer Systeme
   4. Simulation in Produktion und Logistik
   5. Edukation und Simulation

Jeglicher Form von Simulation sind auch Grenzen gesetzt, die man stets beachten muss. Die erste Grenze folgt aus der Begrenztheit der Mittel, das heißt der Endlichkeit von Energie (zum Beispiel auch Rechenkapazität), Zeit und nicht zuletzt Geld. Aufgrund dieser Einschränkungen muss ein Modell möglichst einfach sein. Das wiederum bedeutet, dass auch die verwendeten Modelle oft eine grobe Vereinfachung der Realität darstellen. Diese Vereinfachungen beeinträchtigen naturgemäß auch die Genauigkeit der Simulationsergebnisse.

Die zweite Grenze folgt daraus: Ein Modell liefert nur in einem bestimmten Kontext Ergebnisse, die sich auf die Realität übertragen lassen. In anderen Parameterbereichen können die Resultate schlichtweg falsch sein. Daher ist die Validierung der Modelle für den jeweiligen Anwendungsfall ein wichtiger Bestandteil der Simulationstechnik. Als mögliche weitere Grenzen seien Ungenauigkeiten der Ausgangsdaten (etwa Messfehler), sowie subjektive Hindernisse (zum Beispiel mangelnder Informationsfluss über Produktionsfehler) genannt.

Jede Simulation ist im Sinne der Logik ein deduktiver Schluss, d. h. ihre Ergebnisse liefern keine neuen Informationen, die nicht bereits in den Ausgangsdaten enthalten wären. Ihre Implementierung stellt eine Konkretisierung einer wissenschaftlichen Theorie dar. Ist die Theorie falsch, unvollständig oder für den jeweiligen Anwendungsfall nicht gültig, so liefert auch die Simulation falsche Ergebnisse. Aus diesem Grund können mit Simulationen auch keine neuen Theorien aufgestellt, sondern nur bestehende angewendet und verfeinert werden. Zur Aufstellung neuer Theorien können nur reale Experimente beitragen.

• Emulator
• Hardware in the Loop
• Monte-Carlo-Simulation
• Numerische Simulation
• Für einen philosophisch-ästhetischen Begriff der Simulation vgl. die Medientheorie des französischen Philosophen Jean Baudrillard sowie den verwandten Begriff des Simulacrums.

1. ↑ GÖNNERT, G./ GRASSL, H./ KELLETAT, D./ KUNZ, H. / PROBST, B./ VON STORCH, H. / SÜNDERMANN, J.: Simulation von extremen Sturmflutwetterlagen in der Nordsee und deren statistische Analyse. Hrsg.: Forschungsstelle Wasserwirtschaft und Umwelt. Universität Siegen 1. Februar 2004 (researchgate.net [PDF]). 
2. ↑ ^{a b} Thomas Sauerbier: Theorie und Praxis von Simulationssystemen. 1999, doi:10.1007/978-3-322-90773-8 (springer.com [abgerufen am 12. Juli 2021]). 
3. ↑ Medizinische Simulation - ein beitrag zur erhöhung der patientensicherheit. Abgerufen am 19. November 2020. 
4. ↑ InPASS - Institut für Patientensicherheit und Teamtraining GmbH: Home. Abgerufen am 19. November 2020. 
5. ↑ Ralf Remer: Theorie und Simulation von Zeitreihen mit Anwendungen auf die Aktienkursdynamik. 2008, doi:10.18453/rosdok_id00000277 (uni-rostock.de [abgerufen am 12. Juli 2021] Universität Rostock. Mathematisch-Naturwissenschaftliche Fakultät). 
6. ↑ Ulrich Hedtstück: Simulation diskreter Prozesse. In: eXamen.press. 2013, ISSN 1614-5216, doi:10.1007/978-3-642-34871-6 (springer.com [abgerufen am 12. Juli 2021]).