Die vorliegende Machbarkeitsstudie befasst sich mit der Vorhersage der zeitlichen Entwicklung von Tropfengrößenverteilungen bei der Kondensation an kalten Oberflächen – also Prozessen, wie sie etwa bei der Be- und Enttauung von Fahrzeugscheiben auftreten. Ziel war es, einen hybriden Modellierungsansatz zu entwickeln und zu bewerten, der die dynamischen Vorgänge des Tropfenwachstums, des Zusammenfließens von Tropfen sowie der Verdampfung durch eine Kombination aus Maschinellem Lernen (ML) und Strömungssimulation (CFD) beschreibt. Dazu wurde ein datengetriebenes Vorhersagemodell auf Basis von Transformer-Netzwerken entwickelt. Dieses Modell sagt die zeitliche Entwicklung der Parameter sogenannter Gaußscher Mischmodelle (GMM) voraus, die eine effiziente Beschreibung der Tropfenverteilung ermöglichen. Grundlage des Trainings bildeten umfangreiche experimentelle Messdaten des DLR Göttingen, ergänzt durch skalare Transportgrößen aus direkten numerischen Simulationen (DNS). Die Ergebnisse zeigen, dass der hybride Ansatz grundsätzlich funktioniert: Das ML-Modell kann die physikalisch plausible Entwicklung der Tropfenverteilung erlernen und nachbilden. Grenzen bestehen jedoch bei der stabilen Vorhersage einzelner GMM-Parameter, insbesondere bei den Varianzen und Gewichtungen. Die Kopplung des ML-Modells mit der kommerziellen CFD-Software ANSYS Fluent über ein dateibasiertes Interface erwies sich zudem als problematisch – vor allem in Hinblick auf Rechenleistung, Stabilität und Skalierbarkeit. Für zukünftige Arbeiten empfiehlt die Studie daher, auf offene CFD-Plattformen wie OpenFOAM zu setzen, die eine engere und effizientere Integration von ML-Modellen ermöglichen. Insgesamt liefert die Untersuchung wertvolle Erkenntnisse für die Weiterentwicklung datenbasierter Modellierungsansätze in der Tropfenkondensation und zeigt, welches Potenzial hybride Methoden für Anwendungen in der Fahrzeugklimatisierung bieten.