Maschinelle Lernverfahren zur effizienten und interaktiven Auswertung großer Mengen von CAE-Modellvarianten

Im Produktentwicklungsprozess werden in vielen Industrien numerische Simulationen intensiv eingesetzt, beispielsweise um physikalische Vorgänge virtuell zu untersuchen. Dazu berechnen Entwicklungsingenieure oft Tausende von Simulationsvarianten mit Änderungen von Materialien, Lastfällen oder der Geometrie und analysieren die numerischen Simulationsergebnisse. Ziel dieses Entwicklungsprozesses ist es, iterativ ein Produkt so zu verändern, dass einerseits die erforderlichen funktionellen Eigenschaften erfüllt sind, anderseits Nebenbedingungen wie Kosten oder Regularien eingehalten werden. Die Analyse der Simulationsvarianten wird typischerweise durch 3D-Visualisierungssoftware durchgeführt. Um in den Simulationsvarianten Zusammenhänge zu entdecken und geeignete Varianten auszuwählen muss sowohl viel Zeit als auch ein großes Maß an Ingenieurwissen eingesetzt werden. Ein Engpass im Produktentwicklungsprozess entsteht. Diese Herausforderung wird mittels mathematischer Verfahren zur Datenanalyse angegangen. Der Ansatz ermöglicht eine schnelle vergleichende Analyse Hunderter oder Tausender von Simulationen beziehungsweise Ausgangsgrößen. Die vorgeschlagene Methode basiert auf nichtlinearer Dimensionsreduktion und nutzt aus, dass vergleichbare Simulationen sich mittels einer niederdimensionalen Parametrisierung darstellen lassen können. Das Verfahren berechnet eine solche Parametrisierung und stellt die Simulationsvarianten in diesem Parameterraum dar. Durch die Reduktion der Dimensionen ist die vergleichende und interaktive Analyse sehr vieler Simulationen realisierbar, da diese auf Grund der Ähnlichkeit ihrer Ergebnisdaten nebeneinander visualisiert werden. Die für den Einsatz des Verfahrens in einem industriellen Umfeld wesentlichen Schritte werden erläutert. Als konkretes Anwendungsbeispiel wird eine Robustheitsuntersuchung für den Effekt der Positionierung des Stoßfängers bei einem Frontalaufprall eines Autos präsentiert.