Implementierung einer effizienten statistischen Parameterkalibrierung für ein komplexes strukturdynamisches System

Masterthesis

Am Fachgebiet Systemzuverlässigkeit, Adaptronik und Maschinenakustik SAM werden Methoden erforscht, um die Zuverlässigkeit komplexer Systeme des Maschinenbaus zu bewerten und die Unsicherheit zu beherrschen. In der virtuellen Produktentwicklung spielt Unsicherheit für die Vorhersagegenauigkeit von Modellen eine immer wichtigere Rolle. Je genauer ein Modell, desto besser können die Eigenschaften eines Systems (wie z.B. die Schwingungen an einem Fahrzeug) schon früh im Entwicklungsprozess abgeschätzt und optimiert werden.

Da Modelle nur eine Abbildung der Realität sind, unterliegen sie Modell- und Parameterunsicherheit. Durch eine stochastische Parameterkalibrierung kann die Vorhersagefähigkeit von mathematischen Modellen entscheidend verbessert werden. Zur Anwendungen kommen dabei zumeist sogenannte Markov Chain Monte Carlo-Techniken (MCMC), für die das Modell mehrere Tausend male ausgeführt werden muss, was für rechenintensive Modelle zu untragbar hohen Rechenkosten führt. Ein vielversprechender Ansatz besteht in der systematischen Integration der Ergebnisse eines groben, ungenauen Modells (low fidelity) in Verbindung mit einigen wenigen Modellauswertungen eines genauen Modells (high fidelity) mit Methoden, die auch im Machine Learning Anwendung finden. Mit solchen Multifidelity-Ansätzen gelingt die Reduktion der Rechenzeit für eine statistische Parameterkalibrierung bei gleichzeitig hoher Genauigkeit der Ergebnisse.

Das Ziel dieser Arbeit besteht darin, einen Multifidelity Ansatz zur statistischen Parameterkalibrierung am Demonstrator des Sonderforschungsbereichs (SFB) 805 zu erproben, der in Anlehnung an die Anforderungen eines Flugzeugtragwerks konstruiert wurde. Sowohl erste Messdaten als auch ein Low-Fidelity-Modell und Teile eines High-Fidelity-Modells für den SFB-Demonstrator sind bereits vorhanden.