Im Zuge der Wirtschaftlichkeit eines Unternehmens ist bei der Auslegung der meisten strukturmechanischen Bauteile der Einsatz der Finiten-Elemente-Methode nicht mehr wegzudenken. In den letzten Jahrzehnten hat sich diese Methode aufgrund der steigenden Rechnerleistung stark weiterentwickelt. Dabei hat sich Software von den verschiedensten Herstellern auf dem Markt etabliert. Auch die möglichen Funktionen sind vielfältig und reichen von linear statischen Berechnungsansätzen hin zu komplexen nichtlinearen oder kinematischen Analysen. In dieser Arbeit geht es um die Strukturoptimierung mittels sogenannter evolutionärer Algorithmen. Diese Stehen der klassischen Optimierungsmethode gegenüber, wie sie beispielsweise in Finite-Elemente-Programmen (z.B. Altair Hyper-Mesh) hinterlegt sind. Anhand von praxisnahen Beispielen, wie z.B. dem klassischen Biegebalken, soll geprüft werden, in wie weit sich diese Optimierungsmethode eignet und ein Vergleich zu den klassischen Strukturoptimierungen gezogen werden. Optimierungsmethoden, die auf evolutionären bzw. selbstlernenden Algorithmen basieren sind in der Lage, Fehler nach dem Evolutionsprinzip selbstständig zu verbessern. Dabei greift die Software auf die bereits in der Informatik bekannten Algorithmen zurück, die in der Software implementiert sind. Auch in anderen Bereichen, wie z. B. der Schaltungstechnik oder der Mess- und Regelungstechnik sind diese Algorithmen bereits im Einsatz. Sie basieren diese auf dem Prinzip der biologischen Evolution. Bezieht man dieses Prinzip auf die Technik und insbesondere den Einsatz von Computern, so spricht man auch von maschinellem Lernen, also dem selbstständigen Lernen einer Maschine aus zuvor gemachten Fehlern. Dieses evolutionäre Prinzip nach dem Vorbild des natürlichen Selektionsprinzips wird in dieser Arbeit mit den evolutionären Algorithmen in Zusammenhang mit dem Leichtbau gebracht.
Inhaltsverzeichnis
Aufgabenstellung
1. Einleitung
2. Theoretische Grundlagen
2.1 Evolutionäre Algorithmen (EA) auf Basis der Evolutionsstrategie
2.2 Der Ursprung evolutionärer Algorithmen
2.3 Evolutionäre Algorithmen in der Technik
2.4 Begriffserklärungen und thematische Einordnung
2.5 Stand der Forschung und Technik im Bereich Optimierung mit EA in der Strukturmechanik
2.6 Die grundlegenden Prinzipien als Ausgangspunkt für die weiteren Methoden und Anwendungen in der Optimierung
2.6.1 Praxisnahe Anwendungen evolutionärer Algorithmen anhand eines Beispiels aus der Materialmodellierung
2.6.2 Optimierung anhand des Mutations-Selektionsprinzip
2.6.3 Optimierung nach dem Prinzip der Rekombination
2.6.4 Grundsätzliche Vor- und Nachteile von EA als Optimierungsmethode
2.7 Verwandte Optimierungsprinzipien
2.7.1 Gemeinsamkeiten der Verfahren
2.7.2 Simulated Annealing (SA)
2.7.3 Threshold Accepting (TA)
2.7.4 Record-to-Record-Travel (RR) und Sintflut-Algorithmus (SI)
2.8 Vergleich der genannten Verfahren zu den EA
2.9 Multi-Objective-Genetic-Algorism (MOGA)
3. Optimierung in der Strukturmechanik
3.1 Optimierungsprobleme
3.2 Allgemeine Optimierungsmethoden strukturmechanischer Bauteile in der Technik und erste Auswahlkriterien
3.3 Kriterien für den Einsatz mit der Optimierungssoftware
4. Stand der Forschung und Technik nach VDI-Richtlinie 6224
4.1 Einführung, Realisierung, allgemeine und technische Anwendungen mit EA nach VDI
4.2 Klassische Aufgabenstellungen aus der Strukturmechanik mittels EA aus der VDI Richtlinie 6224
4.3 Funktion der EA in Finite-Elemente-Methoden
4.3.1 Einordnung der Optimierung mit EA in FE-Methoden
4.3.2 Ursprung der FE-Optimierungsmethoden und die Selbstoptimierung
4.3.3 Grenzen und Parameterwahl in der FEM nach VDI-Richtlinie 6224
4.4 Zusammenfassung
5. Einführung in die Software Hyper-Study
5.1 Einordnung und Beschreibung der Software im Designprozess
5.2 Einführung in die eingesetzte Software „Altair Hyper-Study 14.0“
5.2.1 Grundfunktionen in Hyper-Study
5.2.2 Anlegen und auswählen einer neuen Studie
5.2.3 Der Ansatz von Hyper-Study bei der Modellierung
5.3 Begriffe und Lösungsverfahren bei der Optimierung
5.3.1 Begriffe
5.3.2 Lösungsklasse ARSM
5.3.3 Lösungsklasse GA
5.3.4 Lösungsklasse GRSM
5.3.5 Lösungsklasse MOGA
5.3.6 Lösungsklasse MFD
5.3.7 Lösungsklasse SQP
6. Praxisnahe Beispiele aus der Strukturmechanik
6.1 Biegebalken
6.1.1 Modellaufbau in HM
6.1.2 Aufgabenstellung
6.1.3 Modell mit 1 DV
6.1.4 Modell mit 2 DV
6.1.5 Modell mit 4 DV
6.1.6 Modell mit 5 DV
6.1.7 Modell mit 10 DV
6.1.8 Modell mit 20 DV
6.1.9 Vergleich der vorgestellten Beispiele „Biegebalken“
6.2 Instabilität durch Kippen
6.2.1 Aufgabenstellung
6.2.2 Modellaufbau in HM
6.2.3 Modellaufbau in HS
6.3 Instabilität durch Knicken
6.3.1 Aufgabenstellung
6.3.2 Modellaufbau in HM
6.3.3 Modellaufbau in HS
6.4 Sandwichstruktur
6.4.1 Modellaufbau in HM
6.4.2 Modellaufbau in HS
6.4.3 Ergebnisse beim Beispiel „Sandwichelement“
7. Ergebnisse
7.1 Biegebalken
7.1.1 Modell mit 1 DV
7.1.2 Modell mit 2 DV
7.1.3 Modell mit 4 DV
7.1.4 Modell mit 5 DV
7.1.5 Modell mit 10DV
7.1.6 Modell mit 20 DV
7.2 Instabilität durch Kippen
7.3 Instabilität durch Knicken
8. Analyse der Ergebnisse
8.1 Analyse der Beispiele „Biegebalken“
8.2 Analyse des Beispiels „Instabilität durch Kippen“
8.3 Analyse des Beispiels „Instabilität durch Knicken“
8.4 Analyse und Vergleich der eingesetzten genetischen Algorithmen mit den konventionellen Verfahren
9. Vergleich zwischen der Optimierung in HS und HM
10. Zusammenfassung und Ausblick
Zielsetzung und thematische Schwerpunkte
Die Masterarbeit verfolgt das primäre Ziel, die Anwendbarkeit und Funktionsweise genetischer sowie evolutionärer Algorithmen in der strukturberechnung und Bauteiloptimierung zu untersuchen, wobei ein besonderer Fokus auf der praktischen Umsetzung mittels der Software "Altair Hyper-Study" liegt. Die Arbeit kombiniert theoretische Grundlagen mit einer Reihe praxisnaher Anwendungsbeispiele in der Strukturmechanik, um die Leistungsfähigkeit verschiedener Optimierungsstrategien gegenüberzustellen.
- Theoretische Grundlagen evolutionärer Algorithmen und deren bionische Herleitung.
- Vergleich unterschiedlicher Optimierungsverfahren und deren industrielle Anwendbarkeit.
- Einführung in die Handhabung der Optimierungssoftware "Altair Hyper-Study".
- Detaillierte Fallstudien zu Stabilitätsproblemen wie Biegen, Kippen und Knicken unter Einsatz verschiedener Lösungsklassen.
- Gegenüberstellung von konventionellen Methoden und genetischen Algorithmen in Bezug auf Rechenaufwand und Ergebnisqualität.
Auszug aus dem Buch
2.6.2 Optimierung anhand des Mutations-Selektionsprinzip
Schritt 1) Gegeben ist ein sogenannter Eltern-Variablensatz „E(g)“. Dieser stammt aus einer Generation „g“. Um den Elternvariablensatz E(g) wird ein Kreis mit dem Radius „N“ erzeugt.
Schritt 2) β-fache Modifikation des Radius N lassen β-neue Kreise entstehen, die normalverteilt um den ersten erzeugten Kreis aus Schritt 1 streuen. Man spricht hier auch von Mutation, also mehrfache Erzeugung der Kreise.
Schritt 3) Aus der Generation g entstehen β-Nachkommen durch zufällige Selektion eines Punktes auf jedem der erzeugten Kreise.
Schritt 4) Es wird die Qualität aller Nachkommen geprüft und der beste Nachkomme (hier schwarz) mit dem zugehörigen Radius (schwarzer Pfeil) gemerkt und ausgewählt.
Schritt 5) Der selektierte Variablensatz aus Schritt 4) wird zum neuen Elternsatz gewählt und mit „E(g+1)“, also der Generation „g + 1“ bezeichnet. Es handelt sich dabei um die zweite Generation. Anschließend wird das Verfahren mit dem korrespondierenden Radius von 1 wiederholt und der Vorgang beginnt erneut, bis ein zuvor festgelegtes Abbruchkriterium erreicht wird.
Zusammenfassung der Kapitel
1. Einleitung: Beschreibt die Bedeutung der Finiten-Elemente-Methode in der Industrie und führt in die Thematik der Optimierung durch evolutionäre Algorithmen ein.
2. Theoretische Grundlagen: Vermittelt die Herkunft und Funktionsweise von evolutionären Algorithmen sowie verwandter Optimierungsprinzipien.
3. Optimierung in der Strukturmechanik: Definiert Optimierungsprobleme im strukturberechnungstechnischen Kontext und nennt Kriterien für den Einsatz von Software-Tools.
4. Stand der Forschung und Technik nach VDI-Richtlinie 6224: Erläutert die bionische Optimierung gemäß VDI-Standard und die Implementierung in FE-Programmen.
5. Einführung in die Software Hyper-Study: Bietet einen detaillierten Einblick in das Interface, die Workflows und die verschiedenen Lösungsklassen von Altair Hyper-Study.
6. Praxisnahe Beispiele aus der Strukturmechanik: Präsentiert die praktische Durchführung von Optimierungsstudien an Biegebalken, Kipp- und Knickproblemen sowie Sandwichstrukturen.
7. Ergebnisse: Listet die quantitativen und qualitativen Resultate der durchgeführten Optimierungsreihen tabellarisch auf.
8. Analyse der Ergebnisse: Vergleicht die Effizienz der eingesetzten genetischen Algorithmen mit konventionellen Optimierungsmethoden.
9. Vergleich zwischen der Optimierung in HS und HM: Reflektiert die Vor- und Nachteile der Optimierung in Hyper-Study gegenüber der direkten Modellierung in Hyper-Mesh.
10. Zusammenfassung und Ausblick: Resümiert die Erkenntnisse der Arbeit und gibt einen Ausblick auf zukünftige Entwicklungen im Bereich der automatisierten Bauteiloptimierung.
Schlüsselwörter
Evolutionäre Algorithmen, Strukturmechanik, Finite-Elemente-Methode, Hyper-Study, Bauteiloptimierung, Genetische Algorithmen, MOGA, ARSM, GRSM, Leichtbau, Parameteridentifikation, Modellbildung, Zielfunktion, Constraints.
Häufig gestellte Fragen
Worum geht es in dieser Masterarbeit?
Die Arbeit untersucht den Einsatz von evolutionären Algorithmen und genetischen Algorithmen zur strukturellen Optimierung von Bauteilen unter Anwendung der Finite-Elemente-Methode.
Welche zentralen Themen werden behandelt?
Die Arbeit umfasst theoretische Grundlagen der bionischen Optimierung, die detaillierte Einführung in die Software Altair Hyper-Study und zahlreiche praktische Beispiele wie Biegebalken und Stabilitätsprobleme.
Was ist das primäre Ziel der Untersuchung?
Das Ziel ist die Erforschung der Effizienz genetischer Optimierungsverfahren in Bezug auf Masse, Steifigkeit und Spannungsverteilung von Bauteilen im Vergleich zu konventionellen mathematischen Methoden.
Welche wissenschaftliche Methodik kommt zum Einsatz?
Verwendet wird eine Literaturrecherche zu den Grundlagen evolutionärer Algorithmen sowie eine praxisorientierte Simulationsstudie, bei der verschiedene mathematische Löser (z.B. MOGA, ARSM, GA) in Hyper-Study angewendet werden.
Was sind die wichtigsten Inhalte des Hauptteils?
Der Hauptteil gliedert sich in eine theoretische fundierte Einführung in Algorithmen, die Beschreibung der Software-Tools und eine umfassende Reihe von praxisnahen Berechnungsbeispielen mit detailliertem Modellaufbau.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Begriffe sind Evolutionäre Algorithmen, Strukturmechanik, Finite-Elemente-Methode (FEM), Hyper-Study, Optimierungsziele, Constraints und Bauteiloptimierung.
Wie unterscheidet sich MOGA von einfachen genetischen Algorithmen?
MOGA (Multi-Objective Genetic Algorithm) ist darauf spezialisiert, mehrere oft widersprüchliche Optimierungsziele gleichzeitig zu berücksichtigen und eine Pareto-Front von Lösungen zu generieren, anstatt nur ein einzelnes Optimum zu suchen.
Warum ist der Modellaufbau in Hyper-Study als "Black-Box" beschrieben?
Der Begriff "Black-Box-Ansatz" bezeichnet die Methodik, bei der Hyper-Study Eingangsgrößen (Design-Variablen) verarbeitet, komplexe interne Berechnungen (z.B. FE-Analysen) durchführt und basierend auf vordefinierten Constraints und Objectives ein optimiertes Ergebnis ausgibt.
Welche Rolle spielt die VDI-Richtlinie 6224 in der Arbeit?
Die Richtlinie dient als theoretische Referenz für die bionische Optimierung und hilft bei der Einordnung der vorgestellten Algorithmen in den aktuellen Stand der Technik.
- Quote paper
- Niclas Wollweber (Author), 2016, Genetische Algorithmen für die Strukturberechnung und die Optimierung strukturmechanischer Bauteile, Munich, GRIN Verlag, https://www.grin.com/document/414113
