Knowledge Graph for CAE-based Development in Vehicle Safety
Diese Dissertation stellt eine umfassende Untersuchung von Wissensgraphen (Knowledge Graphs, KGs) vor, um den Bereich der Fahrzeugentwicklung zu verändern, wobei der Schwerpunkt auf der Verbesserung der Crashsicherheit liegt. Der vorgeschlagene KG nutzt Wissen aus verschiedenen strukturierten und unstrukturierten Datenquellen und beinhaltet kritische Konzepte in der Automobilindustrie.Diese Forschung dient dem industriellen Ziel, Wissen aus Computer-
Aided Engineering (CAE)Workflows zu erfassen und zu bewahren, um Daten wiederzuverwenden, Richtlinien zu verbessern und die Anwendung von maschinellem Lernen (ML) zu unterstützen.
Die Erstellung eines domänenspezifischen KG ist eine anspruchsvolle Aufgabe, insbesondere wenn komplexe CAE-Daten mit komplizierten 3D-Verformungen verarbeitet werden müssen. Diese Komplexität ist in den meisten existierenden textbasierten KGs selten anzutreffen. Um dieser Herausforderung zu begegnen, beschreibt diese Dissertation einen umfassenden Weg von der Datenmodellierung bis hin zu praktischen ML-Anwendungen, die auf einem konkreten Anwendungsfall
basieren. Dieser Ansatz ermoeglicht eine zyklische Rückkopplung zwischen Datenmodellierung und Merkmalsextraktion und verbessert den Nutzen beider Prozesse. Die Forschung umfasst mehrere Schwerpunkte, darunter Datenmodellierung und Ontologieentwicklung, Merkmalsextraktion, Datenvisualisierung zur Wissensentdeckung und die Implementierung von ML zur Vorhersage von Beziehungen zwischen Simulationen. Das Projekt setzt Crash-Sicherheitsanalysen innovativ in graphische Darstellungen um, nutzt SimRank zur Analyse gewichteter bipartiter Graphen und
abstrahiert Fahrzeugstrukturen, um Simulationen nach Ähnlichkeit der Lastpfade zu ordnen.
Darüber hinaus wurde eine benutzerfreundliche Webanwendung für dieses Projekt entwickelt, die mit Django erstellt und auf GitHub2 gehostet wurde, um die Zugänglichkeit und Benutzerfreundlichkeit
für Industrieexperten und Forscher zu gewährleisten. Diese Arbeit unterstreicht das enorme Potenzial von KGs in der Automobilindustrie, die einen datengetriebenen Ansatz in der Fahrzeugentwicklung ermöglichen und die Crash-Sicherheitsanalyse durch die Integration von CAE-Daten erheblich verbessern.
Vollständige Dissertation als PDF