Third party funded individual grant
Start date : 01.08.2021
End date : 31.07.2024
Im aktuellen Industrieumfeld werden konstruktionsbegleitende lineare Finite-Elemente-Simulationen häufig von Produktentwicklern/-innen und nicht ausschließlich von Berechnungsingenieuren/-innen mit mehrjähriger Berufserfahrung durchgeführt. Dies führt zu häufigen Iterationen im Produktentwicklungsprozess und kann zu falschen Entscheidungen auf Basis von unzureichend abgesicherten Ergebnissen führen. Eine automatische Plausibilitätsprüfung für lineare strukturmechanische FE-Simulationen stellt eine wichtige Methode dar, um Produktentwickler/-innen zu unterstützen. Der Einsatz von Convolutional Neural Networks (CNN) und Machine Learning Verfahren stellt ein enormes Potential dar, um Zusammenhänge in Daten zu erkennen und ein Modell mit hoher Prognosegüte aufzustellen. In Vorarbeiten des Antragstellers konnte gezeigt werden, dass eine Plausibilitätsprüfung für FE-Berechnungen mittels Deep Learning und CNNs möglich ist. Es gilt jedoch die Prognosegüte des Künstlichen Neuronalen Netzes durch Anpassung der Parameter zu steigern und die Übertragbarkeit der Methode auf neue Simulationen darzulegen. Weiterhin sollen auch lokale Bereiche der FE-Simulation untersucht werden, vor allem um numerische Fehler wie Singularitäten zu erkennen.
Ziel des Vorhabens ist die Schaffung
einer Methode zur Plausibilitätsprüfung ähnlicher linearer strukturmechanischer
FE-Simulationen aufbauend auf den Vorarbeiten zur Projektionsmethode und der Singularitätserkennung.
Weiterhin sollen die Parameter unterschiedlicher CNNs und Machine Learning
Verfahren optimiert werden, um eine Plausibilitätsprüfung mit hoher
Prognosegüte umzusetzen. FE-Simulationsergebnisse können nicht direkt an ein
Neuronales Netz oder einen Machine Learning Algorithmus übergeben werden,
sondern müssen vorher auf eine einheitliche rechnerverarbeitbare Form gebracht
werden. Im Rahmen des Forschungsvorhabens wird die in Vorarbeiten entwickelte
Projektionsmethode eingesetzt, welche sphärische Detektorflächen zur
Transformation von beliebigen Simulationen in Matrizen mit einheitlicher Größe
verwendet. Die erzeugten Matrizen enthalten alle relevanten Informationen um
eine Simulation als plausible oder nicht plausibel zu klassifizieren. Die
Klassifikation übernimmt ein Deep Learning CNN bzw. eine SVM. Neben der
Klassifizierung der gesamten Simulation sollen auch lokale Bereiche untersucht
werden. Hierbei sollen vor allem Singularitäten in FE-Simulationen erkannt
werden und dementsprechend dem Anwender/-in Rückmeldung geben.
Mit einer automatischen Plausibilitätsprüfung können Fehler im Simulationsaufbau frühzeitig automatisch erkannt werden. Sie stellt daher ein enormes Potential zur Steigerung der Simulationsqualität in der virtuellen Produktenwicklung dar. Insbesondere wenn FE-Simulationen von Produktentwickler/-innen durchgeführt werden, welche über weniger Simulationswissen verfügen als erfahrene Berechnungsingenieure/-innen.
Im aktuellen Industrieumfeld werden konstruktionsbegleitende lineare Finite-Elemente-Simulationen häufig von Produktentwicklern/-innen und nicht ausschließlich von Berechnungsingenieuren/-innen mit mehrjähriger Berufserfahrung durchgeführt. Dies führt zu häufigen Iterationen im Produktentwicklungsprozess und kann zu falschen Entscheidungen auf Basis von unzureichend abgesicherten Ergebnissen führen. Eine automatische Plausibilitätsprüfung für lineare strukturmechanische FE-Simulationen stellt eine wichtige Methode dar, um Produktentwickler/-innen zu unterstützen. Der Einsatz von Convolutional Neural Networks (CNN) und Machine Learning Verfahren stellt ein enormes Potential dar, um Zusammenhänge in Daten zu erkennen und ein Modell mit hoher Prognosegüte aufzustellen. In Vorarbeiten des Antragstellers konnte gezeigt werden, dass eine Plausibilitätsprüfung für FE-Berechnungen mittels Deep Learning und CNNs möglich ist. Es gilt jedoch die Prognosegüte des Künstlichen Neuronalen Netzes durch Anpassung der Parameter zu steigern und die Übertragbarkeit der Methode auf neue Simulationen darzulegen. Weiterhin sollen auch lokale Bereiche der FE-Simulation untersucht werden, vor allem um numerische Fehler wie Singularitäten zu erkennen.
Ziel des Vorhabens ist die Schaffung einer Methode zur Plausibilitätsprüfung ähnlicher linearer strukturmechanischer FE-Simulationen aufbauend auf den Vorarbeiten zur Projektionsmethode und der Singularitätserkennung. Weiterhin sollen die Parameter unterschiedlicher CNNs und Machine Learning Verfahren optimiert werden, um eine Plausibilitätsprüfung mit hoher Prognosegüte umzusetzen. FE-Simulationsergebnisse können nicht direkt an ein Neuronales Netz oder einen Machine Learning Algorithmus übergeben werden, sondern müssen vorher auf eine einheitliche rechnerverarbeitbare Form gebracht werden. Im Rahmen des Forschungsvorhabens wird die in Vorarbeiten entwickelte Projektionsmethode eingesetzt, welche sphärische Detektorflächen zur Transformation von beliebigen Simulationen in Matrizen mit einheitlicher Größe verwendet. Die erzeugten Matrizen enthalten alle relevanten Informationen um eine Simulation als plausible oder nicht plausibel zu klassifizieren. Die Klassifikation übernimmt ein Deep Learning CNN bzw. eine SVM. Neben der Klassifizierung der gesamten Simulation sollen auch lokale Bereiche untersucht werden. Hierbei sollen vor allem Singularitäten in FE-Simulationen erkannt werden und dementsprechend dem Anwender/-in Rückmeldung geben.
Mit einer automatischen Plausibilitätsprüfung können Fehler im Simulationsaufbau frühzeitig automatisch erkannt werden. Sie stellt daher ein enormes Potential zur Steigerung der Simulationsqualität in der virtuellen Produktenwicklung dar. Insbesondere wenn FE-Simulationen von Produktentwickler/-innen durchgeführt werden, welche über weniger Simulationswissen verfügen als erfahrene Berechnungsingenieure/-innen.