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

Sprügel T, Schleich B, Wartzack S (2018)


Publication Language: German

Publication Type: Conference contribution, Conference Contribution

Publication year: 2018

Publisher: VDI Verlag

City/Town: Düsseldorf

Pages Range: 29 - 38

Conference Proceedings Title: VDI Bereichte 2333: SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung 2018

Event location: Baden Baden DE

ISBN: 978-3-18-092333-8

URI: https://www.archiv.mfk.tf.fau.de?file=pubmfk_5c336401c277b

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.

Authors with CRIS profile

Related research project(s)

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 (Hrg.), VDI Bereichte 2333: SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung 2018 (S. 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." Tagungsband 19. VDI-Kongress "SIMVEC - Simulation und Erprobung in der Fahrzeugentwicklung", Baden Baden Hrg. VDI Wissensforum GmbH, Düsseldorf: VDI Verlag, 2018. 29 - 38.

BibTeX: Download