Die Auslegung crashrelevanter Strukturkomponenten ist eine zentrale Aufgabe in der Entwicklung von Fahrzeugen. Automatisierte Verfahren zur Optimierung solcher Strukturen sind rar. Rein mathematische Optimierungsmethoden scheitern an der Komplexität der Bestimmung von Ableitungen der relevanten Zielfunktionen und Restriktionen in Abhängigkeit von den Entwurfsvariablen. Aus diesem Grund wurde die Graphen- und Heuristikbasierte Topologieoptimierung (GHT) entwickelt, die den Optimierungsprozess mit aus Expertenwissen abgeleiteten Regeln, den Heuristiken, steuert. Innerhalb der GHT wird der Querschnitt von Extrusionsprofilen durch mathematische Graphen beschrieben,
welche eine leichte Modifikation der Form und Topologie der Struktur durch die Heuristiken ermöglichen. In dieser Dissertation wird eine neue Heuristik vorgestellt, welche ergänzend und konkurrierend zu den bestehenden Expertenregeln antritt. Durch Methoden des Reinforcement
Learnings (RL) lernt das der Heuristik zugrundeliegende Machine Learning-Modell (MLModell),
der Agent, selbstständig eine Strategie an, um die zu optimierende Struktur durchTopologieänderungen zu versteifen. Dazu wird eine zellenbasierte RL-Umgebung vorgestellt, welche eine konsistente Beschreibung von lokalen Bereichen in den Strukturgraphen ermöglicht. Die Zelle definiert den Bereich, in dem die Heuristik Topologiemodifikationen vornehmen kann. Durch ein neu entwickeltes Formabweichungsmaß wird die Steifigkeit einer Zelle rein geometrisch beschrieben. Das Training der Agenten basiert auf einem dreistufigen Prozess, bei dem in den ersten beiden Stufen systematisch nach geeigneten Trainingsparametern gesucht wird. In der dritten Stufe soll die Strategie des Agenten
durch Transferlernen weiter generalisiert werden. Neben der versteifenden Heuristik wird diskutiert, wie und ob auf Basis des vorgestellten Ansatzes eine weitere RL-Heuristik entwickelt werden kann, welche die Strukturen nachgiebiger macht. Die strukturversteifende Heuristik wird in verschiedenen praktischen GHT-Optimierungen auf ihre Performance und den Mehrwert für die GHT hin untersucht. Analysiert wird ein Rahmenmodell, ein Biegeträger und ein Schwellerausschnitt in unterschiedlichen
Crashlastfällen. In vielen Optimierungen hat sich gezeigt, dass die RL-Heuristik erfolgreich eingesetzt werden kann und den Optimierungsprozess zu einer besseren Struktur gegenüber einer Vergleichsoptimierung ohne RL-Heuristik führt.

Vollständige Dissertation als PDF