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.
Maschinelle Lernverfahren zur effizienten und interaktiven Auswertung großer Mengen von CAE-Modellvarianten. CAE-Entwicklungsprozesse um ein vielfaches beschleunigen!
2014
12 Seiten, Bilder, 1 Quelle
Conference paper
German
numerische Simulation , Datenanalyse , rechnerunterstütztes Engineering , Produktentwicklung , Visualisierungs-Software , Frontaufprall , Anwendungsbeispiele , Stoßfänger , Finite-Elemente-Simulation , Stabilitätsanalyse , Produktdesign , Optimierungsparameter , Methode der finiten Elemente , Nichtlinearität
British Library Conference Proceedings | 2014
|Ford Transit:Neue Modellvarianten
Automotive engineering | 1985
|Maschinelle Auswertung einer automatischen Verkehrszeichenerkennung eines Fahrzeugs
European Patent Office | 2024
|Smart Fortwo Alle Modellvarianten in der Kaufberatung
Online Contents | 2010