Die Ersatzmodellierung (auch Black-Box-Modellierung, Metamodellierungoder Response-Surface-Modellierung) ermöglicht die Erstellung eines einfachen mathematischen Modells, das eine komplexe Simulation nachbilden kann. Auf der 3DEXPERIENCE Plattformund mit SIMULIA Anwendungen wie ABAQUS, Isightoder dem Process Composersparen Ingenieure durch diesen Ansatz enorm viel Zeit.

Anstatt für jede Designvariante eine vollständige Simulation durchzuführen, wird einmalig eine begrenzte Anzahl von Simulationen durchgeführt. Anschließend lernt das Ersatzmodell aus diesen Ergebnissen und kann sofort Ergebnisse – wie Spannung, Verformung oder Verschiebung – für neue Eingangswerte vorhersagen.

1. Versuchsplanung (Design of Experiments, DOE): Verschiedene Kombinationen von Eingangsparametern (z. B. Länge, Dicke oder Position) auswählen.
2. Simulationen durchführen: Verwenden Sie ABAQUS , um FEA-Simulationen für jeden Designpunkt durchzuführen.
3. Ersatzmodell erstellen: Ein einfacheres Modell (z. B. Polynomregression, Kriging oder neuronale Netze) wird an die Simulationsergebnisse angepasst.
4. Vorhersage & Optimierung: Nutzen Sie den Ersatz, um effizient Sensitivitätsanalysen, Optimierungen oder Unsicherheitsquantifizierungen durchzuführen.

Dieser Prozess wird häufig über SIMULIA Process Composer App oder SIMULIA Isightkönnen ABAQUS die Erstellung von Ersatzmodellen und die Designoptimierung automatisieren

• Designoptimierung: Erkunden Sie schnell einen großen Designraum und finden Sie optimale Parameter, ohne Tausende von Physiksimulationen durchführen zu müssen.
• Sensitivitätsanalyse: Verstehen, wie sich Änderungen der Eingangsgrößen auf die Ausgangsgrößen auswirken.
• Unsicherheitsquantifizierung: Modellierung und Management von Variabilität in Materialeigenschaften oder Randbedingungen.
• Echtzeitsimulationen: Verwenden Sie das Ersatzmodell in Echtzeitsystemen, in denen vollständige Simulationen zu langsam wären.
• Multidisziplinäre Analyse: Kombinieren Sie die Ergebnisse von ABAQUS mit anderen Simulationswerkzeugen in einem optimierten Workflow.

Beispiel: Formula Student Team

Stellen Sie sich ein Team der Formula Student oder SAE BAJA vor, das ein Gitterrohrrahmenchassis. Ziel ist die Reduzierung der Torsionsspannungen, doch jede Designänderung erfordert stundenlange Simulationen. Angesichts der vielen tragenden Elemente im Chassis können verschiedene Konfigurationen Hunderte oder sogar Tausende von Simulationen– ein enormer Zeit- und Ressourcenaufwand.

So hilft die Ersatzmodellierung:

1. Parameter festlegen: Definieren Sie wichtige Variablen wie die Länge oder Position von Rahmenelementen.

2. DOE in ABAQUS: Eine strukturierte Reihe von Simulationen durchführen, um den Designraum abzudecken.

3. Trainieren Sie das Ersatzmodell: Nutzen Sie diese Ergebnisse, um ein schnelles Vorhersagemodell zu erstellen.

Statt stundenlang zu warten, kann das Team nun bewegen (für Parameter wie Breite oder Extrusionaktualisierte Ergebnisse – wie Masse oder Verschiebunginnerhalb weniger Sekunden

Das bedeutet Zeitersparnis, Kostenersparnis und schnellere Designentscheidungen ohne Kompromisse bei der Genauigkeit.

1. Ersatzmodelle sind empirische Modelle mit geringer Genauigkeit.

2. Diese werden von unten nach oben aus Simulationsdaten erstellt

3. Fähig, ein verrauschtes Ansprechverhalten zu glätten

4. Extrem schnelle Auswertung!

5. Genau.

Voraussetzungen für die Erstellung eines Ersatzmodells:

1. Lösen einer FE-Analyse mit geometrischen Parametern: 

Balkenanalyse unter Verwendung geometrischer Parameter in der FEA

Parameter für Länge (Len), Breite (BR) und Extrusion (ext)

2.Optimierung von Simulationen mit DOE, ML und Ersatzmodellierung in SIMULIA

In der „Optimization Process Composer“ wird ein strukturierter Prozess erstellt, um ein Versuchsdesign (Design of Experiments, DOE) durchzuführen und so eine repräsentative Menge an Eingabe-Ausgabe-Paaren im gesamten Versuchsraum zu generieren. Die resultierenden numerischen Daten werden direkt in eine Trainingspipeline für ein Machine-Learning-Modell eingespeist, in der Ersatzmodellierungstechniken wie Response Surface Modelling (RSM) oder Universal Kriging (UK) angewendet werden, um das zugrunde liegende Antwortverhalten zu approximieren.

Zur Verbesserung der Vorhersagegenauigkeit wird die Hyperparameter-Optimierung in den Arbeitsablauf integriert. Dabei werden Optimierungsstrategien eingesetzt, um den mittleren Approximationsfehler (z. B. den mittleren quadratischen Fehler oder den Wurzelmittelwert des quadratischen Fehlers) der Ersatzmodelle zu minimieren.

Sobald das Ersatzmodell trainiert und validiert ist, wird es in der Results Analytics App zugänglich gemacht, was eine erweiterte Nachbearbeitung, Visualisierung und Sensitivitätsanalyse mithilfe der approximierten Antwortflächen ermöglicht.

Workflow für Ersatzmodellierung und -optimierung

3. SIMULIA Results Analytics App

1. Datenextraktion aus ABAQUS -Simulationen

• Mit der Physics Results Analytics App können Sie Ergebnisse (z. B. Verschiebungen, Spannungen, Temperaturen) aus Simulationsausgaben visualisieren und extrahieren.
• Es unterstützt die effiziente Nachbearbeitung großer Datensätze – perfekt für die Erstellung von Ersatzmodellen aus einer Reihe von Simulationsläufen.

 2. Datensätze erstellen und analysieren

• Sie können Simulationsergebnisse aus mehreren Durchläufen (DOE-Proben) aggregieren.
• Die Physics Results Analytics App hilft bei der Erstellung benutzerdefinierter Ergebnismetriken , die als Ausgaben im Ersatzmodell verwendet werden können.
• Unterstützt Filterung, Gruppierung und Vergleich über verschiedene Parameterkombinationen hinweg.

 3. Link zu den Werkzeugen für die Ersatzmodellierung

• Sobald die Simulationsdaten extrahiert und aufbereitet sind, lässt sich PRA nahtlos in Tools wie Isight, 3DEXPERIENCE Process Composer oder auch externe Python/ML-Tools integrieren.
• Sie können diesen sauberen, organisierten Datensatz verwenden, um Ihre Response-Surface-Modelle, Kriging, neuronalen Netze oder andere Ersatzmodelle zu trainieren.

4. Sensitivitäts- und Korrelationsanalyse durchführen

• PRA beinhaltet integrierte Werkzeuge zur Analyse von Parametersensitivitäten und Korrelationen – hilfreich für die Merkmalsauswahl vor dem Training des Ersatzmodells.
• Dies hilft Ihnen dabei, sich auf die wichtigsten Einflussfaktoren zu konzentrieren, die Modellgenauigkeit zu verbessern und die Komplexität zu reduzieren

5. Einfaches Vortraining des Modells 

 6. Integration in die Designexploration

• Designer können die Analysen und Ersatzmodelle wieder in den Designprozess einbinden, um Optimierungen durchzuführen, Abwägungsstudien vorzunehmen oder Unsicherheiten zu quantifizieren.
• PRA bietet eine benutzerfreundliche Oberfläche, um Designentscheidungen und Ergebnisse im Zeitverlauf zu verfolgen.

Das Dashboard des Approximationsmodells kann folgendermaßen verwendet werden:

Den Breitenregler (BR) auf 38,96 stellen

Die Ausgabewerte des FEA-Sensors werden innerhalb von 2 Sekunden aktualisiert.

Als Nächstes werde ich den Parameter „ext“ ändern, während ich den Parameter „BR“ zurücksetze.

Die Werte für Masse und Verschiebung werden innerhalb von 2 Sekunden aktualisiert.

Zusammenfassend lässt sich sagen, dass wir, ohne tatsächlich CAD- und FE-Anwendungen auf der Plattform zu verwenden, sofortige Ergebnisse der FE-Analyse erhalten, was Zeit spart und wiederkehrende Arbeitsabläufe eliminiert.

Wichtigste Vorteile