Der künstliche Ingenieur : ein intelligentes ganzheitliches Framework für die automatisierte Überführung von Geometrie- zu Analysemodellen

The creation of adequate simulation models for complex assemblies is an extensive process that requires a lot of experience, and on the other hand involves a multitude of manual, tedious tasks. These are significant obstacles for improving the process performance and capabilities. The objective of this research is to develop methods which digitally imitate the way of thoughts of the engineer in the design process towards a digital system understanding and which support the automation of the involved manual workflow. This thesis presents a strategy to translate engineering reasoning and actions to an equivalent in the computer domain. A cardinal step is to gain understanding of system arrangements, boundary conditions and its components. Based on this evaluation, the identification of assembly parts is forming the foundation for optimized process chains for the transfer to the analysis environment. Model complexity relates to computational effort, which in turn affects model capabilities and manageability. To achieve a satisfactory compromise of model quality and complexity, this transfer process is strongly dependent on the visual analysis, reasoning and manual implementation of skilled engineers. The principle of translating engineering logics is pursued from the assembly system to its smallest parts. Component segmentation methods allow subdividing regions of interest into substructures which are assigned with a feature vector. This vector comprises metrics describing the substructures with regard to specific aspects and is the key decision point for subsequent steps as idealization, suitable Finite-Element modeling and ultimately building an analysis model. The created system database is continuously maintained and supports these process chains as well as the final setup of the assembly simulation model. An automated workflow like this implies advantages for efficiency, but also creates opportunities for further use cases. This workflow has been exploited for generating a training data set from the different simulation variants as a basis to a knowledge representation imitating engineering experience. An algorithm from the graph neural network field is applied to this data set as a conceptual approach. The intention pursued in this concept is to model the learning progress about estimating the influence of modelling decisions on simulation results and quality. This research proposes a holistic strategy and describes methods to achieve the objectives of decreasing manual effort, introducing an automated and geometry-based process and digitally replicating engineering experience by introducing a knowledge database.Die Erstellung geeigneter Simulationsmodelle für komplexe Baugruppen ist ein umfangreicher Prozess, der einerseits viel Erfahrung erfordert und andererseits eine Vielzahl manueller Aufgaben beinhaltet. Dies sind Hindernisse für die Verbesserung der Prozesseffizienz und Erweiterung der technischen Möglichkeiten. Ziel dieser Arbeit ist es, Methoden zu entwickeln, die die Vorgehensweise des Ingenieurs im Entwicklungsprozess in Richtung eines virtuellen Systemverständnisses digital imitieren und die Automatisierung der damit verbundenen manuellen Arbeitsabläufe unterstützen. In dieser Arbeit wird eine Strategie vorgestellt, mit der ingenieurwissenschaftliche Gedankengänge in ein Äquivalent in der digitalen Domäne übersetzt werden können. Ein zentraler Aspekt ist dabei das Verständnis der Systemkonfiguration, der Randbedingungen und der Komponenten. Darauf aufbauend bildet die Identifikation von Bauteilen die Grundlage für optimierte Prozessketten zur Übertragung in die Analyseumgebung. Die Modellkomplexität steht im Zusammenhang mit dem Rechenaufwand, der sich wiederum auf die Modellleistungsfähigkeit und die Handhabbarkeit auswirkt. Um einen zufriedenstellenden Kompromiss zwischen Modellqualität und -komplexität zu erreichen, ist dieser Transferprozess stark von der visuellen Analyse, den Schlussfolgerungen und der manuellen Umsetzung durch erfahrene Ingenieure abhängig. Das Konzept der Übersetzung ingenieurtechnischer Logiken wird vom Gesamtsystem in seine einzelnen Teile verfolgt. Segmentierungsverfahren ermöglichen die Unterteilung von relevanten Regionen in Teilstrukturen, die mit einem Feature-Vektor versehen werden. Dieser Vektor umfasst Metriken, die die Strukturen unter bestimmten Aspekten beschreiben und ist das zentrale Entscheidungskriterium für nachfolgende Schritte wie Idealisierung, adäquater Finite-Elemente-Modellierung und Aufbau eines Analysemodells. Die Systemdatenbank wird kontinuierlich verwaltet und erweitert und unterstützt die Prozessabläufe ebenso wie den finalen Aufbau des Gesamtmodells. Ein automatisierter Arbeitsablauf wie dieser bringt Vorteile für die Effizienz mit sich, schafft aber auch Raum für zusätzliche Anwendungsfälle. Dieser Workflow wurde genutzt, um aus verschiedenen Modellvarianten einen Trainingsdatensatz zu generieren, der als Grundlage für eine digitale Wissensrepräsentation dient, die die Ingenieurserfahrung nachbildet. Als Konzept wird auf diesen Datensatz ein Algorithmus aus dem Bereich der neuronalen Netze angewendet. Die damit verfolgte Intention ist es, den Lernfortschritt über die Abschätzung des Einflusses von Modellierungsentscheidungen auf Simulationsergebnisse zu simulieren. Diese Forschungsarbeit zeigt eine ganzheitliche Strategie auf und beschreibt Methoden, um die Ziele der Verringerung des manuellen Aufwands, der Einführung eines automatisierten und geometriebasierten Prozesses und der digitalen Replikation von Ingenieurserfahrung durch die Einführung einer Wissensdatenbank zu erreichen