Künstliche Intelligenz für CAE

Dienstleistung, Consulting und Softwarelösungen

Künstliche Intelligenz als Dienstleistung

Wir haben Tools und Algorithmen um Simulationsdaten mit einer sehr großen Tiefe zu analysieren. Dabei verwenden wir nahezu jedes Byte an bereitgestellten Daten, seien es Zeitserien bis hin zu netzbasierten Ergebnissen. Die Daten werden von uns nach häufigen Mustern, Ausreißern, Fehlern und Abhängigkeiten untersucht. Um unsere Ergebnisse darzustellen bieten wir zusätzlich zu den üblichen Reporttypen wie PowerPoint auch interaktive Grafiken und Miniapplikationen.

Warum Künstliche Intelligenz für Postprocessing?

Es gibt im Postprocessing zwei Kernfragestellungen:

 1. Welche signifikanten Effekte finden statt?
 2. Wie kann ich spezifische Effekte auslösen oder vermeiden?

Menschen können diese Fragen für ein bis zwei Simulationsmodelle beantworten, doch sobald mehr als fünf bis sechs Modelle verglichen werden sollen übersteigt das überlicherweise die menschliche Verarbeitungskapazität. Als ein allgemeiner Trend der Digitalisierung nimmt die Menge an durchgeführten Simulationen und Lastfällen stetig zu. Für viele Firmen ist es aktuell nicht mehr möglich jede Simulation einzeln zu analysieren. Infolgedesen werden jeden Tag wichtige Effekte übersehen.

Künstliche Intelligenz macht es möglich menschlich repetitive Aufgaben wie Postprocessing zu automatisieren. Ein Kernaspekt ist dabei nicht nur der Umgang mit der zunehmenden Menge an Daten, sondern auch die Möglichkeit tiefere Einblicke in bereits existierende Daten zu erlangen. Für zukünftiges Postprocessing wird es daher unvermeidlich sein Künstliche Intelligenz miteinzubinden, um sich weiterhin auf die wesentlichen Inhalte der Simulationsdaten konzentrieren zu können. Um einen Teil unserer Möglichkeiten zu demonstrieren wird im Folgenden ein Beispielprojekt erläutert.

 

Fallbeispiel eines Fahrzeugcrash

Als Fallbeispiel soll hier das Simulationsmodell des 2007 Chevrolet Silverado dienen. Das Modell ist auf der Website der National Highway and Traffic Safety Administration (NHTSA) verfügbar.

Bild 1: Frontallcrash eines 2007 Chevrolet Silverado (links). Zur Datenanalyse wurde die crashabsorbierende Struktur (rechts) in vier Subkomponenten aufgeteilt: der Bumper (cyan), der Crossbeam (gelb), der linke Längsträger (rot) und der rechte Längsträger (grün).

Um verschiedene Deformationsmoden auszulösen wurden 24 Blechdicken sowie die Geschwindigkeit des Fahrzeugs, als auch der Aufprallwinkel in einer Design of Experiments (DOE) Studie variiert. insgesamt wurden 1000 Varianten generiert und berechnet, um eine statistisch hohe Signifikanz zu erhalten. Die hohe Menge dient hier hauptsächlich zur (akademischen) Validierung. In der Praxis können auch mit weniger als 100 Simulationen gearbeitet werden. Zur exemplarischen Erläuterung konzentriert sich dieser Artikel im Folgenden lediglich auf den linken Längsträger (rot) aus Bild 1.

Welche nennenswerten Effekte treten auf?

Es ist menschlich nicht möglich 1000 Simulationen zu analysieren und zu kategorisieren. Einfache Skripte können zwar verwendet werden um Antwortgrößen zu extrahieren, jedoch wäre dies ein unvollständiger Ansatz, da man Effekte an Orten übersehen könnten, an welchen man nicht misst. Unsere Algorithmen betrachten das gesamte Netz der gewählten Komponenten um sie zu vergleichen.

Visualisierung der Ähnlichkeit von 1000 Simulationen

Wir verwenden einen Methodenbereich names Low-Dimensional Emebdding (Niedrigdimensionale Einbettung) um die Ähnlichkeit aller 1000 Simulationen auf einmal zu visualiseren.


Bild 3: Ähnlichkeitswolke von 1000 Simulationen des linken Längsträgers. Jeder Marker in der Darstellung steht für ein Simulationsergebnis. Zwei sehr nahe Marker sind Simulationsergebnisse mit hoher Öhnlichkeit. Um das Verhalten besser zu verstehen kann die Wolke in Cluster (Gruppen) aufgetrennt werden. Für jedes Cluster wird dabei ein zentraler repräsentant gewählt. Die Repräsentanten sind bezüglich ihrer effektiven plastischen Dehnung eingefärbt.

 

Bild 3 zeigt die Ähnlichkeitswolke des linken Längsträgers aus Bild 1. Die Wolke besteht aus grob vier Clustern, welche für je vier verschiedene Deformationsmuster stehen. Um die Unterschiede der Clustering besser verstehen zu können muss lediglich ein Repräsentant für jedes Cluster visualisiert werden.

Cluster 1 offenbart eine sehr gute Art der Deformation, indem der Längsträger sehr gerade bleibt und durch das Falten am vorderen Ende, weit weg vom Passagier, die kinetische Energie des Fahrzeugs absorbiert. Die Simulationen von Cluster 2 und 3 verhalten sich im Gegensatz dazu weniger Optimal und knicken leicht nach oben aus, was hier jedoch immer noch akzeptablel ist. Custer 4 beinhaltet lediglich ~1% (=11) an Simulationen und offenbart ein ineffizientes Deformationsverhalten indem der Längsträger stark ausknickt anstatt die Energy über ein Faltverhalten zu absorbieren. An dieser Stelle stellt sich die Frage, wie deses sehr seltene, aber immer noch sehr gefährliche Deformationsverhalten zukünftig vermieden werden kann. Diese Frage soll später untersucht und beantwortet werden.

Was passiert innerhalb eines Clusters?

Die Ählichkeitswolke in Bild 3 kann auch auf einem deutlich feineren Maßstab analysiert werden. Wenn z.B. Stichproben entlang eines Pfades in Cluster 2 gewählt werden so kann das transitionelle Verhalten innerhalb des Clusters sehr einfach und direkt dargestellt werden.

Bild 4: Durch die Visualisierung von Stichproben entlang eines Pfades in der Ähnlichkeitswolke (hier Cluster 2) ist das Übergangsverhalten innerhalb des Clusters sehr leicht ersichtlich.

Wie können Deformationen gezielt ausgelöst oder vermieden werden?

Aus der vorherigen Analyse ist es möglich nicht nur das häufigste Deformationsverhalten zu bestimmen, auch konnte ein seltenes aber unerwünschtes Verhalten festgestellt werden. Dabei was das Verhalten von Cluster 4 (Bild 2) von besonders hohem Interesse, da der Längsträger hier stark ausknickt (Bild 3 rechts) und die kinetische Energie nicht effizient absorbiert.

Um dieses Verhalten zu untersuchen verwenden wir an dieser Stelle Rule Mining. Rule Mining kommt aus dem Arbeitsfeld "Knowledge Discovery in Databases" (KDD) und hat das Ziel Regeln (if ... then ....) für Systeme zu bestimmen. In unserem Beispiel soll eine Abhängigkeit zwischen den Eingabegrößen und dem Deformationsverhalten von Cluster 4 hergestellt werden. Eine Beispielregel ist:

$if \; thickness \; < \; 4 \; then \; intrusion \; < \; 100$,

welchje lediglich darauf hinweist, dass wenn die Eingangsvariable X7 kleiner als 4 gewählt wird eine Deformation von weniger als 100 Millimeter erreicht wird. Um Rule Mining zu verwenden muss jedoch vorher das Target vorgegeben werden, welches hier eine Intrusion kleiner 100mm ist (100mm wurde hier nach einer Gesetzesnorm gewählt). Der Algorithmus sucht dann multiple Design Empfehlungen um das geforderte Verhalten zu erreichen.

Wie kann das Knicken des linken Längsträgers vermieden werden?

Um das Knicken des linken Längsträgers zu vermeiden (Bild 2, Cluster 4) definieren wir dies als Zielgröße für das Rule Mining. Die erhaltenen Designempfehlungen lauten:

  1. $t_{rail} \; < \; 2.65$
  2. $t_{rail} > 2.65 \; and \; t_{crossbeam} \; >  \; 2.30$

Die erste Empfehlung ist es die Blechdicke des Längsträgers selbst zu reduzieren um diesen damit weicher zu machen. Von einem mechanischen Standpunkt aus macht es Sinn die Steifigkeit zu verringern, damit der Träger faltet und nicht ausknickt.

Die zweite Empfehlung ist, falls der Längsträger eine hohe Steifigkeit behalten muss, dass man ebenfalls den Querträger verstärken kann um den Längsträger stabil zu halten.

Diese Designempfehlungen können auch als "Designbereiche" visualisiert werden.

Bild 4: Die Visualisierung der Regeln sind lediglich zwei Designbereiche, in welchen kein Längsträger jemals ausgeknickt ist. Um ein spezifisches Design auszuwählen sollte jedoch stets eine Sicherheitstoleranz zu den Regelgrenzen eingeräumt werden.

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