Detailseite
Projekt
Optimierung des Crashverhaltens von Fahrzeugen mit Hilfe von datengetriebener künstlicher Intelligenz
Antragsteller
Professor Dr.-Ing. Marcus Stoffel
Fachliche Zuordnung
Konstruktion, Maschinenelemente, Produktentwicklung
Mechanik
Mechanik
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 501877598
Die passive Sicherheit von Ingenieurstrukturen in Crashsituationen spielt eine wichtige Rolle bei der Auslegung von Fahrzeugen. Zur Weiterentwicklung von sicheren Fahrzeug- und Leichtbaustrukturen sind aufwändige Optimierungsstrategien erforderlich. Computersimulationen zu Fahrzeugkollosionen und dem damit einhergehenden Crashverhalten sind mit langen Rechenzeiten verbunden, so dass häufig, alternativ zum Fahrzeugmodell, Ersatzmodelle in numerischen Berechnungen verwendet werden. Dadurch wird die Komplexität des Modells und die damit verbundene erforderliche Computerkapazität verringert. Dies ist allerdings mit dem Nachteil verbunden, dass die Simulationsergebnisse ungenauer im Vergleich zum vollständigen Modell ausfallen und, im Fall physikalischer Ersatzmodelle, auch nicht die Fahrzeugdeformationen und -belastungen vollständig wiedergeben. Die beantragte Studie zielt darauf ab, die beschriebenen Probleme mit Hilfe von maschinellem Lernen, und speziell mit Optimierungstrategien basierend auf „Reinforcement learning (RL)“, deutlich zu reduzieren. RL bietet die Möglichkeit Fahrzeugstrukturen zu optimieren und basiert auf Lernstrategien aus Erfahrungswerten, die in eine möglichst optimale Parametergestaltung (Wandstärken, Steifigkeiten) münden. Hierzu werden in dem vorliegenden Antrag mehrere neue „Deep Learning“-Strategien vorgeschlagen, die aus zwei „Deep convolutional generative adversarial networks (DCGAN)“, einem RL Netzwerk mit einem „Soft actor-critic agent“-Algorithmus (SAC) sowie aus zwei weiteren überwachten neuronalen Netzen (Supervised learning neural network, SLNN) bestehen. Die Kombination dieser Netzwerke soll zu einer multidimensionalen Fahrzeugoptimierung unter Crashbedingungen führen. Das erste DCGAN wird zur Erzeugung generativer synthetischer Daten von Fahrzeugsimulationen verwendet, mit denen ein SLNN trainiert wird ohne aufwändige Finite Elemente Simulationen durchführen zu müssen. Ein zweites SLNN bildet ein mathematisches Ersatzmodell (mit einem Patent des Antragstellers) für das in der Finite Elemente Analyse verwendete Materialverhalten, sodass die Simulationen beschleunigt werden. Die Optimierung der Fahrzeugparameter, wie Wandstärken, Material etc., findet schließlich im RL Netzwerk, welches auf die Daten des ersten trainierten SLNN zurückgreift, statt. Hierbei wird von der Lerneffizienz eines SAC basierten RL Netzwerks Gebrauch gemacht. Anschließend wird das zweite DCGAN dazu entwickelt, basierend auf den Ergebnissen der Parameteroptimierungen der vorherigen Netzwerke, das mechanische Verhalten des Gesamtfahrzeugs zu simulieren. Diese Studie hat daher das Ziel, Fahrzeugparameter für Crashverhalten zu optimieren und den Rechenaufwand gegenüber bestehenden numerischen Methoden drastisch zu senken.
DFG-Verfahren
Schwerpunktprogramme
