PlauSim: Plausibilitätsprüfung für Simulationen mit erhöhter Übertragbarkeit und reduzierter Einsatzlimitierung

• Antragsteller: Dr.-Ing. Stefan Götz; Professor Dr.-Ing. Sandro Wartzack
• Fachliche Zuordnung: Konstruktion, Maschinenelemente, Produktentwicklung
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 456585803

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 somit 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 der ersten Phase des Forschungsprojekts konnte gezeigt werden, dass eine Plausibilitätsprüfung für FE-Berechnungen mittels Deep Learning und CNNs möglich ist. Es konnte die Prognosegüte durch die Anpassung der CNN-Architektur und Hyperparameter weiter gesteigert werden und auch lokale Bereiche der FE-Simulation untersucht werden, vor allem um numerische Fehler wie Singularitäten zu erkennen. Außerdem ist eine Methode erarbeitet worden, welche eine spezifische Vorhersage der Plausibilitätsursache ermöglicht, damit ein besseres Feedback an die Anwender/-in übermittelt werden kann. Die zweite Phase des Forschungsvorhabens hat das Ziel eine generalisierte Plausibilitätsprüfung von FE-Simulationen umzusetzen und so mit geringem Aufwand in einem bereiten Anwendungsbereich eine noch besser nachvollziehbare Unterstützung der Anwender/-innen zu gewährleisten. Die Basis des gesamten Vorgehens bildet dabei der Datensatz aus der ersten Phase, welcher als Grundstock im neuen Projekt dient. Daneben müssen die notwendigen unbekannten Test-Daten erzeugt werden, damit ein Abgleich der Übertragbarkeit auf unbekannte Simulationen überhaupt erst möglich wird. Dazu gilt es zunächst ein Ähnlichkeitsmaß für FE-Simulationen zu entwickeln, welches die quantitative Analyse und dadurch die Beschreibung der erreichten Grenzen der Übertragbarkeit vergleichbar abbildet. Danach sollen diese beiden Datensätze eingesetzt werden, um zunächst die Einflussfaktoren für die Übertragbarkeit auf unbekannte Simulationen zu analysieren. Im Anschluss liegt der Fokus auf der ausführlichen Begründung der Plausibilitätsergebnisse, indem das trainierte Modell mit Ontologien gekoppelt wird. Auch der notwendige Bedarf an Trainingsdaten ist Bestandteil der Untersuchungen im Projekt, weshalb die Reduktion der Trainingsdaten bzw. der notwendigen Label ebenfalls in einem eigenen Arbeitspaket erarbeitet wird. Zeitgleich sollen alle neu entwickelten Methoden in ein Assistenzsystem einfließen, welches stetig mit dem aktuellen Stand der Forschung aktualisiert und evaluiert wird.

• DFG-Verfahren: Sachbeihilfen