Simulation Mining

Im Geschäftsfeld NDV geht es darum Methoden zu entwickeln, um effizient Simulationsergebnisse analysieren, vergleichen und verwerten zu können. Der Schwerpunkt liegt dabei auf FEM-Simulationen. Die entwickelten Methoden umfassen

• Surrogat-Modellierungsverfahren für Sensitivitätsanalysen und Parameterstudien
• Methoden zum effizienten Vergleich umfangreicher Simulationsscharen auf großen Gittern
• Anomalieerkennung in Simulationsergebnissen
• Kompakte Visualisierung komplexer dynamischer Effekte in Simulationsergebnissen

In der virtuellen Produktentwicklung werden Simulationen eingesetzt, um die Auswirkungen von Änderungen der Designparameter auf das virtuelle Produkt zu beurteilen. Wir untersuchen Methoden, um eine Datenbank mit Wissen über die notwendigen Änderungen zur Erreichung eines gewünschten Designziels aufzubauen.

Zum Projekt

Wir entwickeln Methoden zur Anomalie-Erkennung in Sensordaten, die externe Störungen enthalten. Ein Beispiel ist die Erkennung von Eis auf Rotorblättern von Windenergieanlagen bei unterschiedlichen Windverhältnissen oder vergleichbare Unwuchten. Hierbei kommen Simulationen zum Einsatz um die strukturierte Untersuchung des Einfluss solcher externer Störungen auf Messdaten zu ermöglichen. So können die Art und die Schwere einer Unwucht durch Gewichtsänderung simuliert und untersucht werden. Die Simulationsdaten nutzen wir sowohl zum Training maschineller Lernverfahren als auch zum Vergleich mit realen Messdaten.

Zum Projekt

Im Rahmen der Produktdesign- und Prozessoptimierung spielt die numerische Simulation von Fertigungsprozessen eine wichtige Rolle. Hochqualitative Simulationen auf Basis physikalischer Modelle (bspw. hochaufgelöste FEM-Simulationen) sind dabei häufig zu zeitaufwenig, um im großen Umfang Variation von Geometrie- oder Prozessparametern durch zu simulieren. Daher kommen häufig datengetriebene Ersatzmodelle (Surrogatmodelle) zum Einsatz, die die Simulation hinreichend approximieren, aber deutlich schneller auszuführen sind.

Zum Projekt

Computational Fluid Dynamics (CFD)-Simulationen bestehen in der Regel aus sehr vielen Freiheitsgraden, die zu hohen Berechnungskosten und großen zu speichernden Datenmengen führen. Ein Ansatz zur Bewältigung dieser Herausforderungen ist die Analyse der Daten schon während der Simulation, wobei sich die Daten noch im Speicher befinden, die so genannte "In-situ"-Analyse.

In diesem Zusammenhang entwickeln wir Algorithmen für die Datenanalyse, die in einem Streaming-Verfahren angewendet werden können. Neben einer signifikanten Reduktion des Daten-In- und -Outputs liegen die Vorteile eines in-situ-Ansatzes in der wesentlich höheren Auflösung und der früheren Verfügbarkeit der Ergebnisse. Dies erlaubt es uns, mehr Wissen aus jeder Simulation zu extrahieren, z.B. in Form von Surrogatmodellen, die für verschiedene Zwecke wie Designoptimierung, Unsicherheitsquantifizierung oder Systemidentifikation eingesetzt werden können.

Darüber hinaus entwickeln wir Methoden zur Identifizierung von Trends und Ähnlichkeiten in Simulationen. Auf diese Weise können Simulationen überwacht, kontrolliert oder abgebrochen werden, wenn ein unerwünschtes Verhalten auftritt. Dies spart Zeit und Rechenressourcen.

Auf technischer Ebene setzen wir auf Standardschnittstellen, um eine einfache Anbindung unserer Werkzeuge an viele Strömungslöser zu ermöglichen.

Zum Projekt