Simulationen werden immer häufiger als Ersatz für physikalische Tests verwendet, um die Analyse zu beschleunigen und die Kosten für Forschung und Entwicklung zu reduzieren. Simulationsergebnisse können jedoch von der Realität abweichen. Daher ist es essentiell, eine statistische Kalibrierung und Modellvalidierung durchzuführen, um die wenigen vorhandenen Testdaten bestmöglich zu nutzen und die Simulationsmodelle in der Realität zu verankern. Durch die Kombination von Algorithmen aus dem Gebiet der Data-Science mit höchstem Simulations-Know-How kann sichergestellt werden, dass die Simulationen so realitätsnah wie möglich sind. Daraus ergibt sich ein hohes Einsparpotential sowohl bei den Konstruktionszyklen als auch bei den anfallenden Kosten. Die statistische Kalibrierung ist dabei der Prozess des Anpassens von Modellkalibrierungsparametern, sodass die Simulationsergebnisse besser mit einer Reihe von Versuchsergebnissen übereinstimmen. Ohne eine korrekte Kalibrierung sind Simulationsergebnisse bedeutungslos und liefern u. U. sogar Fehlinformationen in Bezug auf das reale System. Daher wird eine genaue Modellkalibrierung weithin als ein entscheidender Schritt bei der Erstellung eines Simulationsmodells mit ausreichender Zuverlässigkeit angesehen. Die Kalibrierungsparameter können normalerweise nicht direkt in experimentellen Untersuchungen gemessen werden. Häufig stellen diese Parameter physikalische Eigenschaften, wie beispielsweise Materialeigenschaften, dar, die schwer zu messen sind. Zum Teil handelt sich aber auch z.B. um Parameter des numerischen Lösungsverfahrens, die im realen physikalischen System nicht vorhanden sind. Heutige Simulationswerkzeuge werden für hochdetaillierte physikalische Fragestellungen, potenziell unter Berücksichtigung mehrerer physikalischer Felder, genutzt. Die statistische Kalibrierung ermöglicht die Quantifizierung von Unsicherheit in allen Aspekten des Modells, einschließlich der Unsicherheit in den angepassten Kalibrierungsparametern. Darüber hinaus wird im Rahmen der statistischen Kalibrierung auch die Diskrepanz zwischen dem Modell und den beobachteten Daten für die optimierten Kalibrierungsparameter bestimmt. Diese Modelldiskrepanz ist notwendig für die Modellvalidierung und um gegebenenfalls Unzulänglichkeiten im Modell aufzudecken.