Zur Abbildung komplexer physikalischer Prozesse existieren im Wesentlichen zwei unterschiedliche paradigmatische Vorgehensweisen: klassische physikalische Modellierung mit zugeh?riger numerischer Simulation (modellbasiert) und prognostische Verfahren basierend auf der Analyse gro?er Datenmengen (datengetrieben). In den letzten Jahren ist die effiziente Kombination beider Ans?tze zu einer eigenen Forschungsthematik geworden. Allerdings ist die Forschung von einer ineinandergreifenden, problemangepassten Anwendung der Prinzipien weit entfernt.
Ziel von HYDMAO ist es, anhand eines bisher unzureichend verstandenen kontinuumsmechanischen Problems aus der Fahrzeugindustrie datengetriebenes und modellbasiertes Vorgehen beispielhaft zu einer Gesamtl?sung zu integrieren. Damit soll die rechnergestützte Abbildung des zugeh?rigen Prozesses entscheidend verbessert werden. Es wird ein prototypisches Beispiel mit gro?er industrieller und gesellschaftlicher Bedeutung betrachtet: Die Interaktion eines Fahrzeugs mit komplexen Materialien wie Sand, Schlamm oder Schnee. Auf solchen Untergründen ist die Fahrzeugstabilit?t nicht immer gegeben: Kollisionen oder ein ?berschlagen des Fahrzeugs sind unter Umst?nden unvermeidlich. Diese Situationen müssen im Sinne der Insassensicherheit entsprechend gehandhabt werden. Insbesondere stellt sich die Frage, ob, wann und welche Airbags gezündet werden sollen. Effizient ist diese Problemstellung nur durch eine geeignete rechnerbasierte Abbildung des Prozesses zu l?sen. Unsere Anwendungspartner Volkswagen AG und ESI Software Germany GmbH unterstreichen die generelle Relevanz des Vorhabens, die weit über das prototypische Beispiel hinausreicht.
Das Teilprojekt Parameteridentifikation komplexer nichtlinearer Abh?ngigkeiten der AG Technomathematik hat zum Ziel die hochdimensionalen Parameter in einem generischen Modell durch Deep Learning Ans?tze auf ihre inh?rent nichtlineare, aber niedrigdimensionale Struktur zu reduzieren und für die nachfolgende numerische Simulation zu identifizieren. Der Fokus liegt hier neben den Ans?tzen zum Maschinellen Lernen (ML) auf der Stabilit?tsanalyse.
