Effiziente Wissensgenerierung zur Robustheitsuntersuchung von Fahrzeugstrukturen mittels Modellreduktion und Ahnlichkeitsanalyse - Big Data in der Crashsimulation

摘要

Robustheitsstudien sind in der Crashberechnung von zunehmendem Interesse, da hierdurch der Reifegrad einer Struktur bereits sehr fruh vor den kostenintensiven Versuchen erhoht werden kann. Die dabei entstehende grosse Menge an Daten ("Big-Data"), sowie die Komplexitat und Nichtlinearitat der Zusammenhange stellen selbst in dem Fachgebiet sehr erfahrene Ingenieure vor die grosse Herausforderung, schnell, effizient und nachvollziehbar die Robustheit des Systems zu analysieren und zu verbessern. Um dieser "Big-Data Challenge" in der Crashsimulation zu begegnen, wurde unter Verwendung maschineller Lernalgorithmen eine Methodik entwickelt, um die in einer Robustheitsstudie enthaltenen Informationen effizient und nachvollziehbar herauszufiltern. Der Ablauf kann grob in die folgenden Schritte unterteilt werden: geometrische Modellreduktion, Ergebnisprojektion und Glattung, Ahnlichkeitsberechnung, Visualisierung und letztendlich Wissensextraktion sowie Wissensverarbeitung. Die Wissensextraktion befasst sich dabei mit der Identifikation von Gruppen ("clustern") ahnlicher Verhaltensmuster bei den Simulationsergebnissen und der Erkennung selten auftretender Ereignisse ("Ausreisser"). Bei der darauf folgenden Wissensverarbeitung werden fur Verhaltensgruppen massgebliche Variablen identifiziert und zugleich automatisch Losungsvorschlage in Form von Variablenbereichen generiert. Diese Methodik wird exemplarisch anhand der Simulation eines stilisierten Fahrzeuglangstragers im Fallturm-Komponententest erlautert, bei welchem probabilistische Unsicherheiten unterschiedliches Beulverhalten auslosen.