Surrogate model-driven structural optimization for improved vehicle crashworthiness

Abstract

Trotz neuer Sicherheitsvorschriften bestehen nach wie vor Bedenken hinsichtlich der Fahrzeugsicherheit, was sich in hohen Unfallraten niederschlägt. Gleichzeitig steht die Automobilindustrie vor der doppelten Herausforderung, die Kraftstoffeffizienz zu verbessern und die CO2-Emissionen zu reduzieren, was zu einem Wandel hin zu leichteren, aber sichereren Fahrzeugstrukturen führt. Leider stehen diese Ziele im Konflikt zueinander, da die Reduzierung der Fahrzeugmasse negative Auswirkungen auf die allgemeine Fahrzeugsicherheit haben kann. Die inhärente Komplexität der Fahrzeugsicherheitsanalyse, die umfangreiche numerische Simulationen erfordert, schließt den Einsatz traditioneller Optimierungsmethoden aufgrund ihrer zeitaufwendigen Natur und der Komplexität der Crashproblemfunktionen aus. Die bestehende Literatur bietet begrenzte, oft ineffiziente Optimierungslösungen, die in der Regel auf spezifische Fälle zugeschnitten sind und denen es an einer breiten Anwendbarkeit mangelt. In Anerkennung der Tatsache, dass eine universelle Lösung für die Optimierung der Fahrzeugstruktur nicht realisierbar ist, konzentriert sich diese Forschung auf die Erzielung signifikanter Verbesserungen sowohl in der Effizienz als auch in der Qualität der Crashworthiness-Auslegung. In dieser Arbeit wird eine auf Ersatzmodellen basierende Optimierungsmethode vorgestellt, die hauptsächlich auf Gaußschen Prozessen basiert, um reale Crashworthiness-Funktionen und ihre komplexen nichtlinearen Beziehungen effizient zu modellieren. Der vorgeschlagene Ansatz beinhaltet eine gründliche Evaluierung bestehender Methoden in der Literatur, deren Verbesserung und Weiterentwicklung sowie die Einführung neuer Optimierungstechniken, um bestehende Wissenslücken zu schließen. Ein zentraler Beitrag dieser Arbeit ist die erfolgreiche Implementierung der Materialauswahl durch diskrete Variablenkodierung. Ebenfalls implementiert wird eine aktive Lernlogik, die sequenzielles und aktives Sampling nutzt, um den Informationsgewinn aus jeder numerischen Simulation zu maximieren. Die Methodik lernt effektiv aus komplexen Datenstrukturen unter Verwendung von additiven Kernen und viiproduktiven Kernen und belebt veraltete aufeinanderfolgende Metamodellierungstechniken wieder, indem sie deren Wirksamkeit auch in herausfordernden Szenarien wie Frontalkollisionen nachweist. Zusätzlich wird die Integration von diversen Datenquellen zur Verbesserung der Crashworthiness-Vorhersagen erforscht. Die in dieser Arbeit vorgestellte Optimierungsmethode zeigt nicht nur eine bemerkenswerte Anpassungsfähigkeit und Effizienz in einem breiten Spektrum von Crashsicherheitsanwendungen, sondern unterstreicht auch das Potenzial, verbesserte Designlösungen mit deutlich geringerem Rechenaufwand zu erzielen. Abhängig von der Rechenleistung und den parallelen Strategien, die für eine bestimmte Aufgabe verwendet werden, liefert der vorgeschlagene Ansatz oft verbesserte - oder zumindest vergleichbare - Fahrzeugsicherheits designs in etwa der Hälfte der Iterationen, die üblicherweise von aktuellen Spitzenmethoden benötigt werden. Die in dieser Studie eingeführte Optimierungsmethodik ist speziell auf die Bedürfnisse von Berechnungsingenieuren und Konstrukteuren in der Automobilindustrie zugeschnitten und vereinfacht den Entwicklungsprozess, indem sie iterative Abstimmungsschleifen zwischen Design- und Engineering-Teams reduziert. Die Methode setzt Software für numerische Simulationen voraus, sowie ein grundlegendes Verständnis der Prinzipien von Crashworthiness und Designoptimierung. Der vorgeschlagene Ansatz berücksichtigt unterschiedliche Komplexitätsgrade und macht fortgeschrittene Optimierungen der Crashsicherheit zugänglicher. Der Höhepunkt dieser Forschung ist die Entwicklung von CS-Opt (Car Structure Optimizer), einem neuartigen Optimierungsframework. Ausgestattet mit einem hohen Grad an Entscheidungsautonomie führt CS-Opt Anwender mit unterschiedlichem Expertenwissen gekonnt durch den sensiblen Prozess der Crash-Sicherheitsoptimierung und vereinfacht und beschleunigt so den Prozess der Fahrzeugstrukturauslegung.