Zur Abbildung komplexer physikalischer Prozesse existieren im Wesentlichen zwei unterschiedliche paradigmatische Vorgehensweisen: klassische physikalische Modellierung mit zugehöriger numerischer Simulation (modellbasiert) und prognostische Verfahren basierend auf der Analyse großer Datenmengen (datengetrieben). In den letzten Jahren ist die effiziente Kombination beider Ansätze zu einer eigenen Forschungsthematik geworden. Allerdings ist die Forschung von einer ineinandergreifenden, problemangepassten Anwendung der Prinzipien weit entfernt. Ziel von HYDMAO ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtlösung zu integrieren. Damit soll die rechnergestützte Abbildung des zugehörigen Prozesses entscheidend verbessert werden. Dazu wird ein prototypisches Beispiel mit großer industrieller und gesellschaftlicher Bedeutung betrachtet: Die Interaktion eines Fahrzeugs mit komplexen Materialien wie Sand, Schlamm oder Schnee. Auf solchen Untergründen ist die Fahrzeugstabilität nicht immer gegeben: Kollisionen oder ein Überschlagen des Fahrzeugs sind unter Umständen unvermeidlich. Diese Situationen müssen im Sinne der Insassensicherheit entsprechend gehandhabt werden. Insbesondere stellt sich die Frage, ob, wann und welche Airbags gezündet werden sollen. Effizient ist diese Problemstellung nur durch eine geeignete rechnerbasierte Abbildung des Prozesses zu lösen. Unsere Anwendungspartner Volkswagen AG und ESI Software Germany GmbH unterstreichen die generelle Relevanz des Vorhabens, die weit über das prototypische Beispiel hinausreicht. Das Teilprojekt „Parameteridentifikation komplexer nichtlinearer Abhängigkeiten“ der AG Technomathematik hat zum Ziel die hochdimensionalen Parameter in einem generischen Modell durch Deep Learning Ansätze auf ihre inhärent nichtlineare, aber niedrigdimensionale Struktur zu reduzieren und für die nachfolgende numerische Simulation zu identifizieren. Der Fokus liegt hier neben den Ansätzen zum Maschinellen Lernen (ML) auf der Stabilitätsanalyse.