Third party funded individual grant
Start date : 01.08.2021
End date : 31.07.2024
Im aktuellen Industrieumfeld werden konstruktionsbegleitende lineare Finite-Elemente-Simulationen häufig von Produktentwicklern/-innen und nicht ausschließlich von Berechnungsingenieuren/-innen mit mehrjähriger Berufserfahrung durchgeführt. Dies führt zu häufigen Iterationen im Produktentwicklungsprozess und kann zu falschen Entscheidungen auf Basis von unzureichend abgesicherten Ergebnissen führen. Eine automatische Plausibilitätsprüfung für lineare strukturmechanische FE-Simulationen stellt eine wichtige Methode dar, um Produktentwickler/-innen zu unterstützen. Der Einsatz von Convolutional Neural Networks (CNN) und Machine Learning Verfahren stellt ein enormes Potential dar, um Zusammenhänge in Daten zu erkennen und ein Modell mit hoher Prognosegüte aufzustellen. In Vorarbeiten des Antragstellers konnte gezeigt werden, dass eine Plausibilitätsprüfung für FE-Berechnungen mittels Deep Learning und CNNs möglich ist. Es gilt jedoch die Prognosegüte des Künstlichen Neuronalen Netzes durch Anpassung der Parameter zu steigern und die Übertragbarkeit der Methode auf neue Simulationen darzulegen. Weiterhin sollen auch lokale Bereiche der FE-Simulation untersucht werden, vor allem um numerische Fehler wie Singularitäten zu erkennen.
Ziel des Vorhabens ist die Schaffung
einer Methode zur Plausibilitätsprüfung ähnlicher linearer strukturmechanischer
FE-Simulationen aufbauend auf den Vorarbeiten zur Projektionsmethode und der Singularitätserkennung.
Weiterhin sollen die Parameter unterschiedlicher CNNs und Machine Learning
Verfahren optimiert werden, um eine Plausibilitätsprüfung mit hoher
Prognosegüte umzusetzen. FE-Simulationsergebnisse können nicht direkt an ein
Neuronales Netz oder einen Machine Learning Algorithmus übergeben werden,
sondern müssen vorher auf eine einheitliche rechnerverarbeitbare Form gebracht
werden. Im Rahmen des Forschungsvorhabens wird die in Vorarbeiten entwickelte
Projektionsmethode eingesetzt, welche sphärische Detektorflächen zur
Transformation von beliebigen Simulationen in Matrizen mit einheitlicher Größe
verwendet. Die erzeugten Matrizen enthalten alle relevanten Informationen um
eine Simulation als plausible oder nicht plausibel zu klassifizieren. Die
Klassifikation übernimmt ein Deep Learning CNN bzw. eine SVM. Neben der
Klassifizierung der gesamten Simulation sollen auch lokale Bereiche untersucht
werden. Hierbei sollen vor allem Singularitäten in FE-Simulationen erkannt
werden und dementsprechend dem Anwender/-in Rückmeldung geben.
Mit einer automatischen Plausibilitätsprüfung können Fehler im Simulationsaufbau frühzeitig automatisch erkannt werden. Sie stellt daher ein enormes Potential zur Steigerung der Simulationsqualität in der virtuellen Produktenwicklung dar. Insbesondere wenn FE-Simulationen von Produktentwickler/-innen durchgeführt werden, welche über weniger Simulationswissen verfügen als erfahrene Berechnungsingenieure/-innen.
In the current industrial environment, design accompanying linear finite element simulations are often carried out by product developers and not exclusively by calculation engineers with several years of professional experience. This leads to frequent iterations in the product development process and can lead to incorrect decisions based on insufficiently validated results. An automatic plausibility check for linear structural-mechanical FE simulations is an important method to support product developers. The use of Convolutional Neural Networks (CNN) and Machine Learning methods represents an enormous potential to identify correlations in data and to build a model with high prediction quality. In the applicant's preparatory work it could be shown that a plausibility check for FE calculations using Deep Learning and CNNs is possible. However, it is necessary to increase the prediction quality of the artificial neural network by adjusting the parameters and to demonstrate the application of the method to new simulations. Furthermore, local areas of the FE-simulation shall be investigated, especially to detect numerical errors like singularities.
The aim of the project is to create a method for plausibility checks of similar linear structural-mechanical FE simulations based on the preliminary work on the projection method and singularity recognition. Furthermore, the network parameters of different CNNs and machine learning methods are to be optimized in order to implement a plausibility check with high prediction quality. FE-simulation results cannot be directly transferred to a neural network or machine learning algorithm, but have to be converted to a uniform computer-processable form. Within the framework of the research project, the projection method developed in preliminary work is applied, which uses spherical detector surfaces to transform arbitrary simulations into matrices with uniform size. The generated matrices contain all relevant information to classify a simulation as plausible or implausible. A Deep Learning CNN or SVM does the classification. In addition to the classification of the entire simulation, local areas should also be examined. Especially singularities in FE-simulations shall be detected and accordingly give feedback to the user.
With an automatic plausibility check, errors in the simulation setup can be detected automatically at an early stage. It therefore represents an enormous potential for increasing the simulation quality in virtual product development. Especially if FE simulations are performed by product developers who have less simulation knowledge than experienced calculation engineers. A method will be developed which allows to consider similar geometries and simulation boundary conditions of linear FE-simulations.