Mechatronische toepassingen zoals robots, productiemachines en elektrische wagens zijn niet meer weg te denken uit onze moderne maatschappij. Meer en meer wordt er dan ook gebruik gemaakt van accurate systeemmodellen die het complexe gedrag van deze mechatronische applicaties kunnen voorspellen. Het construeren van deze systeemmodellen stoelde traditioneel op fysische kennis, waarbij basiswetten gebruikt worden om gesimplificeerde voorstellingen te maken van de beschouwde applicatie. Een frequent voorkomend probleem is dat er vaak onvoldoende kennis is om alle interacties van het systeem te beschrijven door gekende fysische wetten. De laatste jaren is er daarom een heuse opmars van het machinaal leren dat geen voorkennis over het systeem eist en door het fitten van - niet fysisch interpreteerbare - modelparameters aan de meetdata zelf verbanden kan leren uit de data. Helaas zijn deze modellen vaak amper interpreteerbaar en kan de betrouwbaarheid vaak niet gegarandeerd worden. In dit doctoraat hebben we daarom stevig ingezet op het zoeken naar methodes waarbij fysica-geïnspireerde modellen kunnen gecombineerd worden met neurale netwerken, om zo interpreteerbare, accurate en robuuste architecturen te bekomen voor het voorspellen van het niet-lineaire gedrag in mechatronische systemen.