Künstliche Intelligenz für Simulation

Robustheitsanalyse einer Crashbox

Was ist der Zweck dieses Modells?

Dieses Beispiel ist von einem Test abgeleitet, welcher die Crashbox in einem Auto vereinfachen soll. Bei dem Modell handelt es sich um einen Träger, welcher am unteren Ende eingespannt ist und am oberen Ende von einer schweren Platte getroffen wird. Die Crashbox soll dabei ein robustes Faltverhalten aufweisen, um die Sicherheit der Passagiere zu gewährleisten.

Modellaufbau

In einer Design of Experiments (DOE)-Studie wurden insgesamt 176 Parameter variiert und mit Stichproben (für akademische Zwecke berechnet. Ein Großteil der Parameter stammt von den Schweißpunkten, die beide Bleche zusammenhalten. Zusätzlich wurden geometrische Toleranzen, Impakt sowie die Verfestigung variiert. Die Variation folgen einer Normalverteilung, da davon ausgegangen wurde, dass bei der Herstellung der Prototypen die vorgegebenen Werte angestrebt werden. Fast alle Modelle hatten auch nicht übereinstimmende Simulationsnetze, was eine zusätzliche Schwierigkeitsstufe für maschinelle Lernalgorithmen darstellt.

Warum Machine Learning für Post-Processing?

Die Performance eines Modells wird zumeist anhand von Systemantworten bestimmt, welche von Sensoren erfasst werden. Beim Fahrzeugcrash stellt dies zum Beispiel die Erfassung der Beschleunigung des Kopfes dar. Um sicherzustellen, dass der Insasse sicher ist, werden Robustheitsstudien durchgeführt, um den Einfluss von Toleranzen aus der Fertigung und Unsicherheiten in der Modellbildung zu überprüfen. Diese Studien umfassen in der Regel 20-200 Simulationsläufe von welchen einige in der Regel die Performance nicht erfüllen. Die Ursachen im Kontext von Verformungsverhalten sowie Systemantworten zu finden, ist für eine so große Menge an Simulationen für den Menschen nahezu unmöglich.

Was ist der Lösungsansatz mit Machine Learning?

Anwender messen derzeit Modelle mit einzelnen Sensoren und vernachlässigen die restlichen Informationen im System. Es ist vergleichbar mit einer Bildanalyse anhand manuell ausgewählter Pixel. Maschinelle Lernverfahren und künstliche Intelligenz geben uns die Möglichkeit, alle Pixel eines Bildes zu verwenden und die Informationen vollständig zu erfassen.

Wie ist es möglich 1000 Simulationen zu vergleichen?

Durch die Analyse der Ähnlichkeit von Simulationsergebnisfeldern können wir nicht nur das gemeinsame Verhalten des Simulationsmodells bestimmen, sondern auch Ausreißer erkennen. Zur Veranschaulichung unserer Ergebnisse stellen wir eine Vielzahl von verständlichen und interaktiven Darstellungen zur Verfügung, wie z.B. die untenstehende Ähnlichkeitsdarstellung, bei der jeder Marker ein Simulationsergebnis darstellt. Je näher die Marker sind, desto ähnlicher sind ihre Ergebnisse. Entdecken Sie die Handlung selbst und fahren Sie mit der Maus über die Marker, um ein Bild der Simulation zu sehen.

Das Problem mit dieser Crashbox ist, dass die Faltung nicht nur im oberen Teil des Aufpralls, sondern auch am unteren, eingespannten Ende auftritt, was im Fahrzeug Instabilitäten verursachen kann.

 

 

Ursachensuche

Die manuelle Ursachensuche kann bei bestimmten Verformungsmustern oder nicht erreichten Zielgrößen sehr aufwändig sein. Maschinelle Lernverfahren können solche Abhängigkeiten in riesigen Datenmengen erkennen. Wir verwenden unter anderem unsere eigene Rule-Mining-Engine, die speziell für Simulationsdaten konzipiert ist. Die ursprünglich komplexen und hochdimensionalen Abhängigkeiten werden durch das Tool vereinfacht, so dass ein Ingenieur die Empfehlungen nachvollziehen kann. Die Ausgaben sind verständliche Regeln, wie in der untenstehenden App dargestellt. Klicken Sie auf die Regeln, um sie zu visualisieren.


Die folgenden Regeln empfehlen dem Ingenieur, den Aufprallwinkel so zu steuern, dass er minimal von 0 abweicht, um eine stabile Falteinleitung am oberen Ende zu gewährleisten. Dies kann durch eine geometrische Inklination des Bauteils am oberen Ende umgesetzt werden. Beachten Sie, dass die Regeln gefunden wurden, obwohl es nur ~20 Simulationen mit dem unerwünschten Verhalten gab.

Avatar

What to do against buckling_bottom?

14:01
Avatar

You have 2 reliable options:

  1. 0.333 ≤ impact_angle < 7.241 (100%)
  2. -5.983 ≤ impact_angle < -0.400 (100%)

14:01

Constantin Diez

Haben Sie Fragen rund um Künstliche Intelligenz?

Wir helfen Ihnen gerne bei allen Fragen weiter.

Nehmen Sie Kontakt mit uns auf

 

Diese Webseite verwendet Cookies um Informationen über die Verwendung dieser Webseite zusammeln, wie z.B. Ihre Verbindungsgeschwindigkeit, Details über Ihr Betriebssystem, Zeitpunkt und Dauer Ihres Besuches oder Ihre IP Adresse.

Akzeptieren