Im Produktentwicklungsprozess werden in vielen Industrien numerische Simulationen intensiv eingesetzt, beispielsweise um physikalische Vorgänge virtuell zu untersuchen. Dazu berechnen Entwicklungsingenieure oft Tausende von Simulationsvarianten mit Änderungen von Materialien, Lastfällen oder der Geometrie und analysieren die numerischen Simulationsergebnisse. Ziel dieses Entwicklungsprozesses ist es, iterativ ein Produkt so zu verändern, dass einerseits die erforderlichen funktionellen Eigenschaften erfüllt sind, anderseits Nebenbedingungen wie Kosten oder Regularien eingehalten werden. Die Analyse der Simulationsvarianten wird typischerweise durch 3D-Visualisierungssoftware durchgeführt. Um in den Simulationsvarianten Zusammenhänge zu entdecken und geeignete Varianten auszuwählen muss sowohl viel Zeit als auch ein großes Maß an Ingenieurwissen eingesetzt werden. Ein Engpass im Produktentwicklungsprozess entsteht. Diese Herausforderung wird mittels mathematischer Verfahren zur Datenanalyse angegangen. Der Ansatz ermöglicht eine schnelle vergleichende Analyse Hunderter oder Tausender von Simulationen beziehungsweise Ausgangsgrößen. Die vorgeschlagene Methode basiert auf nichtlinearer Dimensionsreduktion und nutzt aus, dass vergleichbare Simulationen sich mittels einer niederdimensionalen Parametrisierung darstellen lassen können. Das Verfahren berechnet eine solche Parametrisierung und stellt die Simulationsvarianten in diesem Parameterraum dar. Durch die Reduktion der Dimensionen ist die vergleichende und interaktive Analyse sehr vieler Simulationen realisierbar, da diese auf Grund der Ähnlichkeit ihrer Ergebnisdaten nebeneinander visualisiert werden. Die für den Einsatz des Verfahrens in einem industriellen Umfeld wesentlichen Schritte werden erläutert. Als konkretes Anwendungsbeispiel wird eine Robustheitsuntersuchung für den Effekt der Positionierung des Stoßfängers bei einem Frontalaufprall eines Autos präsentiert.

    Simulations are used intensively in the developing process of new industrial products and have achieved a high degree of detail. In that workflow often thousand finite element model variants, representing different product configurations, are simulated within a few days or even overnight. Currently the decision process for finding the optimal product parameters involves the comparative evaluation of large finite element simulation bundles by post-processing each one of those results using 3D visualization software. This time consuming process creates a severe bottleneck in the product design and evaluation workflow. To handle these data we investigate an analysis approach based on nonlinear dimensionality reduction to find a low dimensional parameterization of the dataset. In such a reduced representation, similar model variants are organized in clusters and the influence of the input variables can be analyzed along such a parameterization. We demonstrate the application of this approach to a realistic and relevant industrial example for robustness analysis of the bumper location in a frontal crash simulation.


    Access

    Access via TIB

    Check availability in my library

    Order at Subito €


    Export, share and cite



    Title :

    Maschinelle Lernverfahren zur effizienten und interaktiven Auswertung großer Mengen von CAE-Modellvarianten. CAE-Entwicklungsprozesse um ein vielfaches beschleunigen!


    Contributors:


    Publication date :

    2014


    Size :

    12 Seiten, Bilder, 1 Quelle




    Type of media :

    Conference paper


    Type of material :

    Print


    Language :

    German




    Maschinelle Lernverfahren zur effizienten und interaktiven Auswertung grosser Mengen von CAE Modellvarianten - CAE Entwicklungsprozesse um ein Vielfaches beschleunigen!

    Garcke,J. / Iza-Teran,R. / Fraunhofer Inst.f.Algorithmen u.Wissenschaftliches Rechnen,SCAI,Sankt Augustin,DE et al. | Automotive engineering | 2014



    Ford Transit:Neue Modellvarianten

    Fordwerke Koeln | Automotive engineering | 1985


    Maschinelle Auswertung einer automatischen Verkehrszeichenerkennung eines Fahrzeugs

    PRAUSE HENNING / FRANKENTHAL ALEXANDER | European Patent Office | 2024

    Free access