Methode zur parametrischen globalen Modellordnungsreduktion für eine effiziente Validierung dynamischer Systeme

Hülsebrock, Moritz (2023)
Methode zur parametrischen globalen Modellordnungsreduktion für eine effiziente Validierung dynamischer Systeme.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00022844
Dissertation, Erstveröffentlichung, Verlagsversion

URL / URN: https://tuprints.ulb.tu-darmstadt.de/22844

Kurzbeschreibung (Abstract)

Die Fortschritte in den Bereichen der numerischen Modellierung und der Rechenleistung von Computern ermöglichen es Wissenschaftlern und Ingenieuren, mit zunehmend komplexeren Modellen das reale Verhalten von technischen Systemen zu beschreiben. Trotzdem muss aufgrund von Parameter- und Modellunsicherheit die Entwicklung stets von Maßnahmen zur Modellverifizierung, Validierung und Quantifizierung der Unsicherheit begleitet werden. Seit einiger Zeit werden zunehmend stochastische Methoden zur Quantifizierung der Modell- und Parameterunsicherheit in frühen Entwurfsphasen verwendet, um die Simulationsergebnisse und Systeme zuverlässiger zu machen. Hierfür ist es notwendig, die Finite-Elemente-Modelle (FE-Modelle) für verschiedene Parametersätze oder Systemkonfigurationen auszuwerten. Zur genauen Vorhersage des dynamischen Verhaltens mechanischer Systeme sind allerdings große und komplexe Modelle notwendig. Dadurch entsteht ein hoher Rechenaufwand, weshalb stochastische Methoden für den praktischen Einsatz häufig ungeeignet sind.

Im Rahmen dieser Arbeit wird eine Methode zur parametrischen Modellordnungsreduktion (PMOR) vorgestellt, die wesentliche Herausforderungen bestehender PMOR-Methoden überwindet. In Abhängigkeit der Höhe der Parameteränderung ermöglicht die "Parametric Global Mode Reduction" (PGMR) Methode im Vergleich zu bekannten Methoden eine höhere Reduktion der Modellordnung bei gleichbleibender Genauigkeit. Die sich daraus ergebende effizientere Berechnung ermöglicht einen breiteren Einsatz stochastischer Methoden in der Auslegung, Optimierung und Überwachung mechanischer Systeme. Die neu entwickelte Methodik wird im Rahmen der Arbeit anhand experimenteller Untersuchungen umfangreich validiert. Darüber hinaus wird die PGMR-Methode in eine Entwicklungsmethodik zur Validierung dynamischer Systeme mit experimentellen Daten und zur Quantifizierung der Parameterunsicherheit integriert. Die Entwicklungsmethodik wird anschließend zum Aufbau eines Leiterplattenmodells und Quantifizierung der Parameterunsicherheit verwendet. Die Ergebnisse zeigen, dass der verwendete hierarchische Bayes-Ansatz in der Lage ist, die Varianz im dynamischen Verhalten der Leiterplatten aufgrund von Toleranzen in der Fertigung und Schwankungen im Materialverhalten abzubilden.

Typ des Eintrags:

Dissertation

Erschienen:

2023

Autor(en):

Hülsebrock, Moritz

Art des Eintrags:

Erstveröffentlichung

Titel:

Methode zur parametrischen globalen Modellordnungsreduktion für eine effiziente Validierung dynamischer Systeme

Sprache:

Deutsch

Referenten:

Melz, Prof. Dr. Tobias ; Schäfer, Prof Dr. Michael

Publikationsjahr:

2023

Ort:

Darmstadt

Kollation:

xvi, 114 Seiten

Datum der mündlichen Prüfung:

19 Oktober 2022

DOI:

10.26083/tuprints-00022844

URL / URN:

https://tuprints.ulb.tu-darmstadt.de/22844

Kurzbeschreibung (Abstract):

Alternatives oder übersetztes Abstract:

Alternatives Abstract

Sprache

Advances in the fields of numerical modeling and of the computing power enable scientists and engineers to describe the real behavior of technical systems with increasingly complex models. Nevertheless, due to parameter and model uncertainty, development must always be accompanied by measures for model verification, validation, and quantification of uncertainty. More recently, stochastic methods are being used to quantify model and parameter uncertainty in early design phases to make simulation results and systems more reliable. For this purpose, it is necessary to evaluate the FE models for different parameter sets or system configurations. However, large and complex models are necessary to accurately predict the dynamic behavior of mechanical systems. This results in a high computational effort, which often makes stochastic methods unsuitable for practical use.

In this thesis, a method for parametric model order reduction (PMOR) is presented that overcomes some of the challenges of existing PMOR methods. Depending on the amount of parameter change, the "Parametric Global Mode Reduction" (PGMR) method enables a higher reduction of the model order while maintaining the same level of accuracy compared to other known methods. The resulting, more efficient calculation enables the wider use of stochastic methods in the design, optimization, and monitoring of mechanical systems. The newly developed methodology is extensively validated within the scope of the work through experimental investigations. Furthermore, the PGMR method is integrated into a development methodology for the validation of dynamic systems with experimental data and quantification of the parameter uncertainty. The development methodology is then used to build a PCB model and quantify the parameter uncertainty. The results show that the hierarchical Bayesian approach used can capture the variance in the dynamic behavior of the PCBs due to tolerances in manufacturing and variations in material behavior.

Englisch

Status:

Verlagsversion

URN:

urn:nbn:de:tuda-tuprints-228446

Sachgruppe der Dewey Dezimalklassifikatin (DDC):

600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau

Fachbereich(e)/-gebiet(e):

16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Fachgebiet Systemzuverlässigkeit, Adaptronik und Maschinenakustik (SAM)
16 Fachbereich Maschinenbau > Fachgebiet Systemzuverlässigkeit, Adaptronik und Maschinenakustik (SAM) > Entwicklung, Modellierung, Bewertung und Nutzung smarter Strukturkomponenten und -systeme

Hinterlegungsdatum:

18 Jan 2023 14:22

Letzte Änderung: