Effiziente Lösungsansätze zur Reduktion des numerischen Ressourcenbedarfs für den operativen Einsatz der Multidisziplinären Optimierung von Fahrzeugstrukturen
Im Fahrzeugentwicklungsprozess arbeitet eine Vielzahl von CAE-Fachbereichen teilweise par-allel, aber auch sequentiell an der strukturellen Auslegung eines Fahrzeugs. Dabei können sie nicht uneingeschränkt losgelöst voneinander Entwurfsentscheidungen treffen, da diese nicht nur Auswirkung auf die Anforderungen ihrer eigenen zu verantwortenden Disziplin (z.B. Crash, Steifigkeit und Betriebsfestigkeit) haben können. Ein Werkzeug, diese Komplexität und inter-disziplinäre Interaktion zu erfassen und gezielt und automatisiert (algorithmenbasiert) nach Entwürfen zu suchen, die allen disziplinspezifischen und -übergreifenden Anforderungen genügen, ist die Multidisziplinäre Optimierung (MDO). Die Lösung ist ein bestmöglicher Kompromiss und damit gesamtfahrzeug- und nicht disziplinorientiert. Die MDO fördert die Entwicklungsqualität und -geschwindigkeit, fordert jedoch für den operativen Einsatz eine Vorgehensweise zur effizienten Nutzung von CPU-Ressourcen und zur zielgerichteten Einbindung aller für eine Fragestellung relevanten Disziplinen und damit Fachbereiche.
In dieser Dissertation werden verschiedene Strategien diskutiert, welche die für die Umsetzung genannten Erfordernisse bedienen. Diese Strategien lassen sich in folgende Schwerpunkte gruppieren: Die Wahl effizienter Optimierungsalgorithmen und -strategien, die Auswahl relevanter Lastfälle und sensitiver Entwurfsvariablen als auch die Reduktion der Finite-Elemente-Rechenzeiten von rechenaufwändigen Crashanalysen (FE-Submodelle). Für all diese Schwer-punkte wird eine Best Practice bestehender Lösungsvorschläge und Methoden ausgearbeitet bzw. teilweise neue Ansätze etabliert. Durch die geschickte Assemblierung dieser Erarbeitungen wird ein neuartiger, adaptiv steuerbarer und auf Approximationsmodellen basierender MDO-Prozess entwickelt. Die Besonderheit des Prozesses zeigt sich vor allem in den folgenden drei Punkten: Erstens reduziert der Baustein Adaptive Komplexitätskontrolle sukzessive die Komplexität und Dimensionalität des Optimierungsproblems. Zweitens kann mithilfe eines implementierten lokalen, heuristischen und damit auf allen Approximationsmodelltypen berechenbaren Vorhersageunsicherheitsmaßes die Prognosegüte (Abweichung Prognose zu Finite-Elemente-Wert) abgeschätzt und in der Optimierung genutzt werden. Drittens unterstützt die globale Sensitivitätsmatrix bei der Koordination aller Disziplinen und hilft damit bei der Planung und Durchführung einer MDO.
Alle Untersuchungen werden anhand eines komplexen Gesamtfahrzeugbeispiels durchgeführt und der Standardvorgehensweise einer MDO gegenübergestellt. Es wird gezeigt, dass die erarbeitete effiziente Vorgehensweise nicht nur eine erhebliche Reduktion des Ressourcen-bedarfs, sondern auch eine signifikante Verbesserung der Ergebnisqualität im Vergleich zur Standardvorgehensweise ermöglicht.
