Ein strukturmechanisches Bauteil wird von der angestrebten Funktion unter den geplanten Einsatzbedingungen bestimmt. Davon abgeleitete Zielparameter und Randbedingungen bewerten das Bauteil bei dessen Auslegung Algorithmen zur Strukturoptimierung nutzen dabei die entstehende Zielfunktion um einen Datensatz mit optimierten Bauteilparametern zu generieren. Dieser umfasst z B geometrische Abmessungen und Materialkennwerte. Die Parameterwerte müssen bei der Herstellung im realen Bauteil umgesetzt werden Durch Ungenauigkeiten bei der Produktion entstehen jedoch unvorhersehbare (unsichere) Abweichungen, die die Funktionsweise des Bauteils negativ beeinflussen können. Aus diesem Grund müssen die Unsicherheiten bei der Definition des Bauteils berücksichtigt werden, was in der Praxis meist über die Nutzung von Sicherheitsfaktoren erfolgt Dabei entstehen im Allgemeinen zwar umsetzbare, nicht jedoch optimale Datensätze der Bauteilparameter. In dieser Arbeit wird ein umfassender und modularer Entwurfsprozess entwickelt, der die Optimierung mit der Bewertung der Struktur unter unsicheren Parametern verknüpft. Dafür werden sowohl deterministische als auch stochastische Optimierungsalgorithmen hinsichtlich ihrer Eignung untersucht, effizient die optimalen Parameterdatensatze für strukturmechanische Bauteile abzuleiten. Die Bauteilabweichungen werden entweder als probabilistische oder possibilistische Unsicherheit abgebildet Innerhalb der probablihstischen Vorgehensweise werden räumlich korrelierte Zufallseffekte in unabhängige Zufallsvariablen transformiert. Sowohl die behandelten Methoden zur Optimierung als auch diejenigen zur Analyse der Unsicherheiten werden in Modulen zusammengefasst, in der Programmiersprache Python implementiert und anhand von Ergebnissen aus der Literatur validiert. Der Entwurfsprozess wird an einem aus metallischem Werkstoff aufgebauten Bauteil aus einem ungestörten Flugzeugrumpf angewendet. Dabei werden für unterschiedliche stochastische Einflüsse jeweils optimale Parameterdatensatze berechnet. Zur Interpretation der Ergebnisse werden sie mit den Parameterdatensätzen der deterministischen Optimierung vergleichen. Ein weiteres Beispiel optimiert ein Bauteil aus Faserverbundwerkstoffen. Bei der Struktur handelt es sich um ein Modell aus einem typischen Fensterband eines Passagierflugzeugs. Die Fasern verlaufen in diesem Beispiel unter einem über die Hautfläche stochastisch veränderlichen Winkel durch die Haut. Durch die so entstehende Komplexität kommt dabei der große Funktionsumfang des vorgestellten Prozesses kommt dabei zur Geltung. Die Beispiele zeigen, dass das Ergebnis einer Gesamtoptimierung der Struktur von der Optimierung unter Berücksichtigung von Sicherheitsfaktoren oder -aufschlage abweicht. Nur die Gesamtoptimierung fuhrt zu masseeffizienten Bauteilen, die gegenüber Parameterschwankungen unempfindlich sind und so ihre Funktion auch unter unsicheren Parametern gewährleisten.
The development of a structural component is driven by its desired function and the predicted operating conditions, which represent the design targets and boundaries for the components under investigation. The derived target function is used by an optimization algorithm to generate the optimal dataset of the components parame ters. In this context, the dataset for example contains geometric dimensions and material properties that need to be realized in the manufactured product. Due to manufacturing tolerances, the parameters of the final component contain uncertain values which can degrade its performance. Therefore the uncertainties have to be considered in the definition phase of the component, in practice often implemented using safety factors. This procedure leads to suboptimal datasets. A comprehensive design process is developed within this doctoral thesis. Therefore, the optimization is merged with the assessment of a component containing uncertain parameters. For this purpose, deterministic and stochastic optimization algorithms are investigated with respect to their efficiency in structural optimization. Variations in structural parameters are implemented as probabilistic or possibilistic uncertainties. Within the probabilistic approach, spatially correlated random-effects are transformed into independent random variables. All discussed methods for the optimization as well as for the analysis under uncertainties are arranged in functional modules, which are implemented using the programming language Python and validated with available examples from Literature, before the approach is applied to academic examples. The developed design process is applied to a metallic component of an undisturbed aircraft fuselage in order to calculate the optimal dataset for different stochastic inputs. These are interpreted and compared with results of the deterministic optimization. A second example optimizes a component made of fiber reinforced laminates. The component is extracted from a typical window belt of a passenger aircraft. Within this example, deviations in fiber angles of the skin laminate are modeled using a stochastic field. Within this context most features of the inplemented optimization process are involved due to the increased complexity. The examples show the benefit of the overall optimization in comparison to the safety factor approach: The consideration of uncertainties within the optimization loop leads to structures with increased mass efficiency that are insensitive to parameter variations and thus assure the desired function under uncertainties.
Optimierung von Flugzeugrumpfstrukturen mit unsicheren Parametern
2011
157 Seiten, Bilder, Tabellen, Quellen
Hochschulschrift
Deutsch
Optimierung von Flugzeugrumpfstrukturen mit unsicheren Parametern
GWLB - Gottfried Wilhelm Leibniz Bibliothek | 2011
|HENRY – Bundesanstalt für Wasserbau (BAW) | 2019
|Sicherheit in unsicheren Zeiten
British Library Online Contents | 2009