ASTRADIN

Problemstellung

Das Projektvorhaben ASTRADIN verfolgt die Realisierung neuartiger Softwaretechniken und Programmmodulen, die zur Geräuschoptimierung von Produkten verwendet werden.

Um auf teure und aufwändige Versuchsreihen mit Prototypen verzichten zu können, findet diese heute bereits auf Höchstleistungscomputern (HPC) statt. Die derzeitige simulationsgestützte, aeroakustische Auslegung von Geräten dauert aufgrund des iterativen Vorgehens mindestens ein halbes Jahr und benötigt einen Personaleinsatz von mehreren hundert Stunden. Vor diesem Hintergrund sollen mit dem Projektvorhaben selbstlernende Methoden auf Basis tiefer neuronaler Netze dabei helfen, variable Simulationsmodelle automatisiert aufzubauen, den Simulationsprozess zu überwachen und die Ergebnisse leichter interpretieren zu können. Die dabei angestrebte wissens-basierte Automatisierung und Parallelisierung ermöglicht es erstmals unterschiedliche Produktvarianten bereits zu einem frühen Entwicklungsstadium in einer deutlich kürzeren Zeit untersuchen zu können. Das Forschungsvorhaben leistet somit einen grundlegenden Beitrag zum Ausbau der Nutzung von Machine-Learning-Methoden im Bereich ingenieurtechnischer Simulationen und kann später Anwendung in verschiedenen Bereichen finden (Maschinenbau, Automobil / Mobilität, Energie).

Ziel

Es werden erstmals selbstlernende Verfahren auf Basis tiefer neuronaler Netze, vorrangig Convolutional Neural Networks (CNNs) als neuartige Basis für die benötigten, aber noch nicht verfügbaren Funktionen untersucht und die Technologien für die erforderlichen Softwarewerkzeuge entwickelt.

Der weiter unten noch detailliert beschriebene Lösungsansatz bzw. die dabei entstehenden Funktionen und Module ermöglichen letztendlich einen integrierten, automatisierten Workflow, der bereits in frühen Produktentwicklungsstadien Simulation mit Optimierungsverfahren und Konstruktionsdaten (CAD) verknüpft. So können schnell Konstruktionsvarianten als virtuelle Prototypen erarbeitet und basierend auf einer detaillierten Betrachtung von akustischen Quellen und der akustischen Wellenausbreitung simuliert werden. Anschließend werden nur noch erfolgversprechende Versionen realisiert und im Labor untersucht.

Die wissenschaftliche Basis bilden dabei Untersuchungen tiefer neuronaler Netze, konkret von Convolutional Neural Networks (CNNs) zur wissensbasierten Generierung von blockstrukturierten Netzen für die Simulation, zur Integration wissensbasierter Entscheidungen in die automatische Überwachung und Auswertung der Simulationen, sowie als Basis für die Erstellung von modularen Metamodellen („schnell rechenbaren Ersatzmodellen“) zur beschleunigten Optimierung der parametrisierten CAD-Modelle.

Im Erfolgsfall können wir wissensbasierte Entscheidungen in das virtuelle Prototyping einbinden, dessen Zuverlässigkeit verbessern und Teilschritte automatisieren, die bislang nur mit manueller Interaktion und jahrelangem Know-how eines Simulationsingenieurs durchgeführt werden können.

Arbeitspakete              

Sie haben Fragen zum Projekt?

Wir freuen uns auf Ihre Anfrage.