Simulations-DNA: Datengetriebener Ansatz zur automatischen Plausibilitätsprüfung strukturmechanischer FE-Simulationen mittels Deep Learning

Conference contribution
(Conference Contribution)


Publication Details

Author(s): Sprügel T, Schleich B, Wartzack S
Editor(s): VDI Wissensforum GmbH
Publisher: VDI Verlag
Publishing place: Düsseldorf
Publication year: 2018
Conference Proceedings Title: VDI Bereichte 2333: SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung 2018
Pages range: 29 - 38
ISBN: 978-3-18-092333-8
ISSN: 0083-5560
Language: German


Abstract



In der modernen virtuellen Produktentwicklung ist der
Einsatz von Simulationswerkzeuge zur Beurteilung der Auswirkungen von
Konstruktionsänderungen auf das beabsichtigte Produktverhalten unerlässlich.
Die Erstellung valider Simulationen erfordert jedoch Expertenwissen.
Konstrukteure, die selten Finite-Elemente-Analysen (FEA) durchführen, müssen
unterstützt und ihre FEA-Ergebnisse auf Plausibilität überprüft werden. Eine
automatische Plausibilitätsprüfung für Finite Elemente (FE) Simulationen in der
linearen Strukturmechanik kann nicht plausible Simulationen identifizieren und
den Anwender warnen, die Ergebnisse vorsichtig zu interpretieren oder Rücksprache
mit Simulationsexperten zu halten. Eine nicht plausible Simulation enthält
Fehler, die von einem erfahrenen Simulationsingenieur schnell erkannt werden,
während eine plausible Simulation solche Fehler nicht enthält.



Die Menge der verfügbaren Simulationsdaten in der Industrie nimmt
zu, daher ist eine datengetriebene Simulationsprüfung ein naheliegender
nächster Schritt. Dennoch stellt sich die Frage, wie Simulationsdaten sehr
unterschiedlicher Bauteile und Simulationen in ein einziges Softwaretool
übertragen werden können, wie dieses Tool die relevanten Regeln hinter
plausiblen Simulationen erlernen kann und wie es auf neue Simulationen
angewendet werden kann.



In diesem Beitrag wird ein Ansatz zur Umwandlung
verschiedener FE-Netze, entsprechender FE-Ergebnisse und Randbedingungen in
eine numerische Matrix fester Größe für sehr unterschiedliche
strukturmechanische FE-Simulationen vorgestellt. Der neuartige Ansatz nutzt
sphärische Detektorflächen, um dreidimensionale Informationen auf die
Oberfläche zu projizieren. Es ermöglicht die Erzeugung der sogenannten Simulations-DNA;
Klassifikationsalgorithmen wie z. B.
Convolutional Neural Networks können diese Informationen klassifizieren. Die
gesamte Methodik reduziert die Dimension einer 3D-Finite-Elemente-Simulation
auf eine 2D-Matrix fixer Größe, bestehend aus numerischen Werten.



Im Beitrag wird jeder einzelne Schritt der neuartigen
Methodik zur Plausibilitätsprüfung von strukturmechanischen Simulationen für
vereinfachte Bauteile und entsprechende Simulationen detailliert dargestellt
und erläutert.


FAU Authors / FAU Editors

Schleich, Benjamin Dr.-Ing.
Lehrstuhl für Konstruktionstechnik
Sprügel, Tobias
Lehrstuhl für Konstruktionstechnik
Wartzack, Sandro Prof. Dr.-Ing.
Lehrstuhl für Konstruktionstechnik


How to cite

APA:
Sprügel, T., Schleich, B., & Wartzack, S. (2018). Simulations-DNA: Datengetriebener Ansatz zur automatischen Plausibilitätsprüfung strukturmechanischer FE-Simulationen mittels Deep Learning. In VDI Wissensforum GmbH (Eds.), VDI Bereichte 2333: SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung 2018 (pp. 29 - 38). Baden Baden, DE: Düsseldorf: VDI Verlag.

MLA:
Sprügel, Tobias, Benjamin Schleich, and Sandro Wartzack. "Simulations-DNA: Datengetriebener Ansatz zur automatischen Plausibilitätsprüfung strukturmechanischer FE-Simulationen mittels Deep Learning." Proceedings of the 19. VDI-Kongress "SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung", Baden Baden Ed. VDI Wissensforum GmbH, Düsseldorf: VDI Verlag, 2018. 29 - 38.

BibTeX: 

Last updated on 2019-07-01 at 15:53