[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

DE102020203312A1 - Method and device for simulating the component behavior of a component with a heterogeneous microstructure - Google Patents

Method and device for simulating the component behavior of a component with a heterogeneous microstructure Download PDF

Info

Publication number
DE102020203312A1
DE102020203312A1 DE102020203312.9A DE102020203312A DE102020203312A1 DE 102020203312 A1 DE102020203312 A1 DE 102020203312A1 DE 102020203312 A DE102020203312 A DE 102020203312A DE 102020203312 A1 DE102020203312 A1 DE 102020203312A1
Authority
DE
Germany
Prior art keywords
microstructure
network
component
parameters
dmn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020203312.9A
Other languages
German (de)
Inventor
Fabian Welschinger
Felix Eberhard Hildebrand
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102020203312.9A priority Critical patent/DE102020203312A1/en
Publication of DE102020203312A1 publication Critical patent/DE102020203312A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Durchführen einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur, wobei für jeden Integrationspunkt (x) des Bauteils folgende Schritte ausgeführt werden:- Bereitstellen (S1) von Netzwerkparametern((zNj=1,2,…,2N)A¯,(θi=0,1,…,Nk=1,2,…2i)A¯)eines Deep Material Networks (1) abhängig von einer Mikrostruktur des betreffenden Integrationspunkts (x), wobei die Netzwerkparameter((zNj=1,2,…,2N)A¯,(θi=0,1,…,Nk=1,2,…2i)A¯)mithilfe eines trainierten datenbasierten Netzwerkparametermodell abhängig von Mikrostrukturkonfigurationsparametern (A(x)) bestimmt werden, wobei die Mikrostrukturkonfigurationsparameter (A(x)) die Mikrostruktur des betreffenden Integrationspunkts (x) angeben,- Verwenden (S4) des Deep Material Networks (1), um eine Spannung und eine konsistente Tangente für jeden Integrationspunkt (x) zu bestimmen;- Durchführen (S5, S6) der mechanischen Simulation basierend auf den Spannungen und konsistenten Tangenten an den Integrationspunkten (x).The invention relates to a method for performing a mechanical simulation of a component with a heterogeneous microstructure, the following steps being carried out for each integration point (x) of the component: Provision (S1) of network parameters ((zNj = 1,2,..., 2N) A ¯, (θi = 0.1,…, Nk = 1.2,… 2i) A¯) of a deep material network (1) depending on a microstructure of the relevant integration point (x), where the network parameters ((zNj = 1, 2,…, 2N) A¯, (θi = 0.1,…, Nk = 1.2,… 2i) A¯) are determined with the help of a trained data-based network parameter model depending on microstructure configuration parameters (A (x)), whereby the microstructure configuration parameters (A (x)) specify the microstructure of the integration point (x) in question, - Use (S4) the Deep Material Network (1) to determine a stress and a consistent tangent for each integration point (x); - Perform (S5, S6) the mechanical simulation based on the stresses and consistent tangents to the integra tion points (x).

Description

Technisches GebietTechnical area

Die Erfindung betrifft ein Verfahren zur Vorhersage des mechanischen Verhaltens von Bauteilen mit heterogenen Mikrostrukturen basierend auf direkten numerischen Mehrskalensimulationen im Kontext der Finite Element Methode (FEM).The invention relates to a method for predicting the mechanical behavior of components with heterogeneous microstructures based on direct numerical multi-scale simulations in the context of the finite element method (FEM).

Technischer HintergrundTechnical background

Während des Designs eines Bauteils mit heterogener Mikrostruktur wird das Bauteil in seiner Form so gestaltet, dass es vorgegebene Anforderungen an seine Funktion erfüllt, z. B. eine ausreichende Widerstandsfähigkeit bei einer thermomechanischen Belastung in einer spezifischen Anwendung über eine angestrebte Lebensdauer aufweist.During the design of a component with a heterogeneous microstructure, the shape of the component is designed in such a way that it fulfills specified requirements for its function, e.g. B. has sufficient resistance to a thermomechanical load in a specific application over a desired service life.

Für die Simulation des mechanischen Verhaltens eines Bauteils mit heterogener Mikrostruktur werden in der Regel FEM-Verfahren auf Bauteilebene gekoppelt mit mikromechanischen Simulationen verwendet. Letztere basieren in der Regel auf der sogenannten Lippmann-Schwinger-Gleichung und werden mit Hilfe paralleler Fast-Fourier-Transformationstechniken (FFT) gelöst, wie beispielsweise in der Druckschrift Spahn et al., „A multiscale approach for modeling progressive damage of composite materials using fast Fourier transforms“, 2014, Computer Methods in Applied Mechanics and Engineering 268 angegeben ist. Sowohl für die makroskopische Bauteilsimulation als auch für die mikromechanische Mikrostruktursimulation stehen kommerzielle Software-Pakete zur Verfügung, z.B. Ansys, Abaqus, LS-Dyna, GeoDict.To simulate the mechanical behavior of a component with a heterogeneous microstructure, FEM processes coupled with micromechanical simulations are generally used at the component level. The latter are usually based on the so-called Lippmann-Schwinger equation and are solved with the help of parallel Fast Fourier Transformation techniques (FFT), as for example in the publication Spahn et al., “A multiscale approach for modeling progressive damage of composite materials using fast Fourier transforms ”, 2014, Computer Methods in Applied Mechanics and Engineering 268. Commercial software packages are available for both macroscopic component simulation and micromechanical microstructure simulation, e.g. Ansys, Abaqus, LS-Dyna, GeoDict.

Voll gekoppelte FEM-FFT Simulationen sind mit erheblichem numerischem Aufwand verbunden, weshalb eine Entkopplung verfolgt wird. In diesen Ansätzen werden durch zahlreiche mikromechanische Simulationen Daten generiert und in einer Datenbank gespeichert, die dann in Hinblick auf die Bauteilsimulation gezielt ausgewertet werden, z.B. Modellordnungsreduktionsverfahren in Kombination mit Hauptkomponentenanalysen (PCA), z.B. Fritzen, F., & Böhlke, T. (2013) . Reduced basis homogenization of viscoelastic composites. Composites Science and Technology, 76(4), 84-91, https://doi.org/10.1016/j.compscitech.2012.12.012. Für Mikrostrukturen mit stark nichtlinearem Verhalten sind diese Ansätze ebenfalls mit sehr hohem numerischem Aufwand verbunden.Fully coupled FEM-FFT simulations are associated with considerable numerical effort, which is why decoupling is pursued. In these approaches, numerous micromechanical simulations are used to generate data and store them in a database, which are then specifically evaluated with regard to the component simulation, e.g. Model order reduction method in combination with principal component analysis (PCA), e.g. Fritzen, F., & Böhlke, T. (2013) . Reduced basis homogenization of viscoelastic composites. Composites Science and Technology, 76 (4), 84-91, https://doi.org/10.1016/j.compscitech.2012.12.012. For microstructures with strongly non-linear behavior, these approaches are also associated with a very high numerical effort.

In diesem Zusammenhang werden als Alternative hierzu sogenannte Deep-Learning-Ansätze verfolgt, die die oben beschriebenen Daten mit Hilfe von neuronalen Netzen darstellen. So werden bereits für einfaches Mikrostrukturverhalten, das nicht von der Belastungsgeschichte abhängt, neuronale Netze verwendet, siehe z.B. Yvonnet, et al., „Computational homogenization of nonlinear elastic materials using neural networks“, International Journal for Numerical Methods in Engineering 104(12), 2015 .In this context, so-called deep learning approaches are pursued as an alternative to this, which represent the data described above with the help of neural networks. Neural networks are already used for simple microstructure behavior that does not depend on the load history, see e.g. Yvonnet, et al., "Computational homogenization of nonlinear elastic materials using neural networks," International Journal for Numerical Methods in Engineering 104 (12), 2015 .

Ferner ist aus Liu, W. et al., „A deep material network for multiscale topology learning and accelerated nonlinear modeling of heterogeneous materials“, ", Computer Methods in Applied Mechanics and Engineering 345, 2019 ein neuer Machine-Learning-Ansatz bekannt, der die Verwendung von Deep Material Networks (DMN) etabliert. Dieser kann über eine Kombination aus Konzepten des maschinellen Lernens und der traditionellen Modellierung via Konstitutivgesetzen auch geschichtsabhängiges Verhalten abbilden, ist jedoch bislang nur sequentiell für einzelne Mikrostrukturen anwendbar und nicht für die Simulation von Bauteilen mit über das Bauteil heterogen verteilter Mikrostrukturen geeignet.Furthermore, from Liu, W. et al., "A deep material network for multiscale topology learning and accelerated nonlinear modeling of heterogeneous materials", "Computer Methods in Applied Mechanics and Engineering 345, 2019 a new machine learning approach is known, which establishes the use of Deep Material Networks (DMN). This can also map history-dependent behavior via a combination of concepts of machine learning and traditional modeling via constitutive laws, but so far it can only be used sequentially for individual microstructures and not for the simulation of components with Suitable for heterogeneously distributed microstructures across the component.

Bislang existiert kein Ansatz, der es ermöglicht das Verhalten von Bauteilen mit heterogener und geschichtsabhängiger Mikrostruktur effizient zu simulieren. So far there is no approach that enables the behavior of components with heterogeneous and history-dependent microstructure to be efficiently simulated.

Offenbarung der ErfindungDisclosure of the invention

Erfindungsgemäß sind ein Verfahren zur Durchführung einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur gemäß Anspruch 1, ein Verfahren zum Trainieren eines Netzwerkparametermodells sowie eine Vorrichtung gemäß den nebengeordneten Ansprüchen vorgesehen.According to the invention, a method for performing a mechanical simulation of a component with a heterogeneous microstructure according to claim 1, a method for training a network parameter model and a device according to the independent claims are provided.

Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further refinements are given in the dependent claims.

Gemäß einem ersten Aspekt ist ein Verfahren zur Durchführung einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur vorgesehen, wobei folgende Schritte ausgeführt werden:

  • - Bereitstellen von Netzwerkparametern eines Deep Material Networks abhängig von einer Mikrostruktur an jedem Integrationspunkt, wobei die Netzwerkparameter mithilfe eines trainierten datenbasierten Netzwerkparametermodells abhängig von Mikrostrukturkonfigurationsparametern bestimmt werden, wobei die Mikrostrukturkonfigurationsparameter die Mikrostruktur am betreffenden Integrationspunkt angeben, wobei das Netzwerkparametermodell trainiert ist, um Mikrostrukturkonfigurationsparametern Netzwerkparameter des Deep Material Networks zuzuordnen;
  • - Verwenden des Deep Material Networks, um eine Spannung und eine konsistente Tangente für jeden Integrationspunkt zu bestimmen, wobei insbesondere abhängig von den Spannungen und konsistenten Tangenten iterativ, insbesondere mithilfe einer FEM, an den Integrationspunkten ein globales, in der Regel nichtlineares Residuum für das Verschiebungsfeld berechnet wird;
  • - Durchführen der mechanischen Simulation basierend auf den Spannungen und konsistenten Tangenten an den Integrationspunkten.
According to a first aspect, a method for performing a mechanical simulation of a component with a heterogeneous microstructure is provided, the following steps being carried out:
  • - Provision of network parameters of a deep material network depending on a microstructure at each integration point, the network parameters being determined with the aid of a trained data-based network parameter model depending on microstructure configuration parameters, the microstructure configuration parameters specifying the microstructure at the integration point in question, the network parameter model being trained to use microstructure configuration parameters of the Assign deep material networks;
  • - Using the Deep Material Network to determine a stress and a consistent tangent for each integration point, depending in particular on the Stresses and consistent tangents iteratively, in particular with the help of an FEM, a global, usually non-linear residual for the displacement field is calculated at the integration points;
  • - Perform the mechanical simulation based on the stresses and consistent tangents at the integration points.

Initialisierung der Zustandsvariablen (i.e. der internen Variablen zur Beschreibung des nichtlinearen Verhaltens der virtuellen Phasen wie z.B. plastische Dehnungen) im DMN, die das geschichtsabhängige Verhalten beschreiben. Zur Berechnung des Verschiebungsfeldes im Bauteils mit Hilfe der FEM wird gemäß dem Verfahren das Materialgesetz, das die lokale Spannung des Materials aus der lokalen Dehnung (und deren Geschichte) bestimmt, mit Hilfe des DMNs bestimmt.Initialization of the state variables (i.e. the internal variables for describing the non-linear behavior of the virtual phases such as plastic strains) in the DMN, which describe the history-dependent behavior. To calculate the displacement field in the component with the help of the FEM, the material law, which determines the local stress of the material from the local strain (and its history), is determined with the help of the DMN.

Grundsätzlich ist ein makroskopisches Bauteil in einem dreidimensionalen Raum als die Menge der Punkte x

Figure DE102020203312A1_0003
⊂ ℝ3 definiert. Mithilfe von herkömmlichen makroskopischen mechanischen Bauteilsimulationen wird die Impulsbilanz als partielle Differentialgleichung im Kontext der FEM gelöst, die Randbedingungen und räumliche oder zeitliche Anfangszustände berücksichtigt. Die Differentialgleichung hat dabei die starke Form
Figure DE102020203312A1_0004
die für jeden Ort x und jeden Zeitpunkt t abhängig von der externen Belastung y(x,t) eine Gleichgewichtsbedingung darstellt. Die Spannungen σ(x,t) beschreiben dabei die individuelle Materialantwort.Basically, a macroscopic component is in a three-dimensional space as the set of points x
Figure DE102020203312A1_0003
⊂ ℝ 3 defined. With the help of conventional macroscopic mechanical component simulations, the momentum balance is solved as a partial differential equation in the context of the FEM, the boundary conditions and spatial or temporal initial states are taken into account. The differential equation has the strong form
Figure DE102020203312A1_0004
the one for every place x and each point in time t depending on the external load y ( x , t) represents an equilibrium condition. The tension σ ( x , t) describe the individual material response.

Eine typische makroskopische Simulation basiert auf der Annahme einer funktionellen Abhängigkeit der Spannung von Dehnung ε und Mikrostrukturkonfigurationsparameter A in der Form σ ¯ ( x ¯ , t ) = σ ( ε ¯ ( x ¯ , t ) ; A ¯ ( x ¯ ) )

Figure DE102020203312A1_0005
die den symmetrische Gradient des zunächst unbekannten Verschiebungsfeldes ε(x, t) = ∇s u(x,t) und den lokalen Mikrostrukturkonfigurationsparameter A(x) auf die resultierenden Spannungen in ggf. nichtlinearer Weise abbildet. Im Kontext kurzglasfaserverstärkter Kunststoffe beschreibt der Mikrostrukturkonfigurationsparameter A(x) beispielsweise wie in einem mikroskopischen Kontrollvolumen die Fasern orientiert sind, in welchem Verhältnis das Faservolumen zum gesamten Kontrollvolumen steht und welche geometrische Form die Fasern aufweisen. Wenn für das Material eines Bauteils die konstitutive Antwort auf makroskopischer Ebene in dieser Form formuliert werden kann, kann das Verschiebungsfeld des Bauteils mit Hilfe der FEM durch die Lösung eines nichtlinearen Gleichungssystems bestimmt werden, z.B. mit Hilfe der Newton-Raphson Methode.A typical macroscopic simulation is based on the assumption of a functional dependence of stress on strain ε and microstructure configuration parameters A. in the shape σ ¯ ( x ¯ , t ) = σ ( ε ¯ ( x ¯ , t ) ; A. ¯ ( x ¯ ) )
Figure DE102020203312A1_0005
which is the symmetrical gradient of the initially unknown displacement field ε ( x , t) = ∇ s u ( x , t) and the local microstructure configuration parameter A. ( x ) maps onto the resulting stresses in a possibly non-linear manner. In the context of short glass fiber reinforced plastics, this describes the microstructure configuration parameters A. ( x ) For example, how the fibers are oriented in a microscopic control volume, the relationship between the fiber volume and the total control volume and the geometric shape of the fibers. If the constitutive answer for the material of a component can be formulated in this form on a macroscopic level, the displacement field of the component can be determined with the help of the FEM by solving a nonlinear system of equations, e.g. with the help of the Newton-Raphson method.

Wenn die Formulierung eines einskaligen konstitutiven Modells z.B. aufgrund komplexer Mikrostruktur nicht möglich ist, muss die Berechnung der Spannungen im Bauteil unter expliziter Berücksichtigung des Verhaltens dieser Mikrostruktur erfolgen. Der grundsätzliche Ansatz ist dabei, an jeder Stelle des Bauteils x IB, die für die FEM ausgewertet werden muss (d.h. an den Integrationspunkten x I), eine weitere FEM- oder FFT-Simulation durchzuführen und damit die Spannungen und die konsistenten Tangenten zu berechnen. Dazu wird an jeder Stelle x IB eine Mikrostruktur mit dem jeweiligen Mikrostrukturkonfigurationsparameter A(x I) generiert, die als repräsentatives Volumenelement (RVE) bezeichnet wird. Die an der Stelle des RVE makroskopisch vorherrschenden Dehnungen ε(x I, t) werden nun mit Hilfe geeigneter Randbedingungen (üblicherweise periodischer Art) auf das RVE aufgebracht und die Spannungsverteilung σ(x,t) für x∈RVE mit Hilfe der konstitutiven Modelle der einzelnen Phasen (also der unterschiedlichen Materialien, aus denen die Mikrostruktur besteht, wie z.B. Faser und Matrix bei faserverstärkten Kompositwerkstoffen) des RVE (und ggf. deren Interaktion z.B. in Form von Delamination) über eine FEM- oder FFT-Rechnung bestimmt. Die makroskopisch wirksame Spannung σ(x I,t) kann dann über eine Integration (Homogenisierung) berechnet werden als σ ¯ ( x ¯ , t ) = 1 V R V E R V E ( x ¯ I , A ¯ ( x ¯ I ) ) σ ( x , t ) d x

Figure DE102020203312A1_0006
Dieses Verfahren, das auch als FE2 oder FEM-FFT bezeichnet wird, ist rechnerisch sehr aufwändig, da eine Vielzahl von Simulationen durchgeführt werden müssen (eine makroskopische und unzählige mikroskopische).If the formulation of a single-scale constitutive model is not possible, e.g. due to a complex microstructure, the stresses in the component must be calculated with explicit consideration of the behavior of this microstructure. The basic approach is at every point of the component x I B. that must be evaluated for the FEM (ie at the integration points x I ) to carry out another FEM or FFT simulation and use it to calculate the stresses and the consistent tangents. This is done at every point x I B. a microstructure with the respective microstructure configuration parameter A. ( x I ), which is referred to as the representative volume element (RVE). The macroscopically predominant elongations at the location of the RVE ε ( x I , t) are now applied to the RVE with the help of suitable boundary conditions (usually periodic) and the stress distribution σ (x, t) for x∈RVE with the help of the constitutive models of the individual phases (i.e. the different materials that make up the microstructure exists, such as fiber and matrix in fiber-reinforced composite materials) of the RVE (and possibly their interaction, e.g. in the form of delamination) determined via an FEM or FFT calculation. The macroscopically effective tension σ ( x I , t) can then be calculated as via an integration (homogenization) σ ¯ ( x ¯ , t ) = 1 V R. V E. R. V E. ( x ¯ I. , A. ¯ ( x ¯ I. ) ) σ ( x , t ) d x
Figure DE102020203312A1_0006
This method, which is also known as FE 2 or FEM-FFT, is computationally very complex, since a large number of simulations have to be carried out (one macroscopic and countless microscopic).

Weiterentwicklungen basieren auf einer von der Bauteilsimulation entkoppelten Durchführung vieler mikromechanischer Simulationen zur Generierung vieler Antwortdaten, die im Anschluss mit Hilfe von Modellordnungsreduktionsverfahren wie der PCA nachbearbeitet werden, um effektive Modelle abzuleiten, die dann in einer entkoppelten Bauteilsimulation zum Einsatz kommen.Further developments are based on a number of micromechanical simulations that are decoupled from the component simulation to generate a lot of response data, which are then post-processed with the help of model order reduction methods such as PCA in order to derive effective models that are then used in a decoupled component simulation.

Eine weitere Möglichkeit besteht darin, anstelle des Formulierens eines physikalisch basierten konstitutiven Modells σ(x,t) = σ(ε(x,t); A(x)) ein Deep Material Network (DMN) zu verwenden, das die lokale Spannung des Materials mit einer komplexen Mikrostruktur vorhersagen kann und damit die mikroskopischen FE- oder FFT-Simulationen überflüssig macht. Das DMN ist durch seine Architektur (Anzahl der Layer) sowie durch die Parameter (Gewichte und Rotationen) bestimmt, die mit Hilfe elastischer Trainingsdaten an einem RVE identifiziert werden. Damit ist das DMN abhängig von einem konstanten Mikrostrukturkonfigurationsparameter A.Another possibility is instead of formulating a physically based constitutive model σ ( x , t) = σ ( ε ( x , t); A. ( x )) to use a Deep Material Network (DMN), which can predict the local stress of the material with a complex microstructure and thus the microscopic FE or FFT simulations are superfluous power. The DMN is determined by its architecture (number of layers) as well as by the parameters (weights and rotations), which are identified with the help of elastic training data on an RVE. The DMN is therefore dependent on a constant microstructure configuration parameter A. .

Der Aufbau und die Funktionsweise DMNs sind in Liu et al. [2018] beschrieben. Generell beschreibt ein DMN das nichtlineare mechanische Verhalten einer bestimmten Mikrostruktur, die durch die Mikrostrukturkonfigurationsparameter A(x) für ein Volumenelement x̅ charakterisiert ist. Die Anwendung des DMN auf eine bestimmte Mikrostruktur lässt sich in die folgenden Arbeitsschritte einteilen:

  • - Generierung synthetischer Mikrostrukturen unter Vorgabe von Mikrostrukturkonfigurationsparametern A(x): Mit Hilfe geeigneter Softwaretools (z.B. Schneider, M., „The sequential addition and migration method to generate representative volume elements for the homogenization of short fiber reinforced plastics.“, Computational Mechanics, 59, 247-263 2017 ) werden synthetisch dreidimensionale Bilddaten generiert, die ähnliche Eigenschaften wie die reale Mikrostruktur haben.
  • - Generierung Trainingsdaten: Basierend auf der synthetischen Mikrostruktur werden zahlreiche elastische, zeitunabhängige Simulationen durchgeführt, wobei die Steifigkeiten der Phasen und damit auch die elastischen Kontraste (d.h. die Verhältnisse der elastischen Eigenschaften der Phasen) variiert werden. Input sind die (anisotropen) elastischen Steifigkeiten der Phasen und das Ergebnis ist die elastische, richtungsabhängige Steifigkeit des Verbundwerkstoffs an jedem Integrationspunkt.
  • - Offline: Training des Deep Material Networks: Die numerisch erzeugten Trainingsdaten werden verwendet, um die DMN-Netzwerkparameter zu trainieren, die sich für ein DMN mit N Schichten aus z N j = 1,2, ,2 N
    Figure DE102020203312A1_0007
    Gewichten und θ i = 0,1, , N k = 1,2, ,2 i
    Figure DE102020203312A1_0008
    Rotationen zusammensetzen. Das trainierte DMN kann damit für beliebige Kombinationen von Steifigkeiten der einzelnen Phasen die richtungsabhängige effektive Steifigkeit der Mikrostruktur vorhersagen.
  • - Online: Vorhersage zeitabhängiges Verhalten der Mikrostruktur: Das elastisch antrainierte DMN kann in einem weiteren Schritt nun erweitert werden um das nichtlineare, zeitabhängige Verhalten des Verbundwerkstoffes vorherzusagen. Hierzu werden die einzelnen Phasen in der untersten Schicht des DMNs als inelastische Phasen interpretiert und ihr (von der Belastungsgeschichte abhängiger) Zustand entsprechend mit internen Variablen versehen, die die zeitliche Entwicklung einer bestimmten Größe beschreiben (z.B. plastische Dehnungen, Schädigung, ...) und deren zeitliche Entwicklung durch eine gewöhnliche Differentialgleichung modelliert wird.
The structure and mode of operation of DMNs are described in Liu et al. [2018]. In general, a DMN describes the non-linear mechanical behavior of a particular microstructure, which is determined by the microstructure configuration parameters A. ( x ) is characterized for a volume element x̅. The application of the DMN to a specific microstructure can be divided into the following work steps:
  • - Generation of synthetic microstructures by specifying microstructure configuration parameters A. ( x ): With the help of suitable software tools (e.g. Schneider, M., "The sequential addition and migration method to generate representative volume elements for the homogenization of short fiber reinforced plastics.", Computational Mechanics, 59, 247-263 2017 ) synthetic three-dimensional image data are generated which have properties similar to the real microstructure.
  • - Generation of training data: Based on the synthetic microstructure, numerous elastic, time-independent simulations are carried out, whereby the stiffness of the phases and thus also the elastic contrasts (ie the proportions of the elastic properties of the phases) are varied. The input is the (anisotropic) elastic stiffness of the phases and the result is the elastic, direction-dependent stiffness of the composite material at each integration point.
  • - Offline: Training of the Deep Material Network: The numerically generated training data is used to train the DMN network parameters that are specific to a DMN with N layers z N j = 1.2, ... , 2 N
    Figure DE102020203312A1_0007
    Weights and θ i = 0.1, ... , N k = 1.2, ... , 2 i
    Figure DE102020203312A1_0008
    Assemble rotations. The trained DMN can thus predict the direction-dependent effective stiffness of the microstructure for any combination of stiffnesses of the individual phases.
  • - Online: Prediction of time-dependent behavior of the microstructure: The elastically trained DMN can now be expanded in a further step to predict the non-linear, time-dependent behavior of the composite material. For this purpose, the individual phases in the lowest layer of the DMN are interpreted as inelastic phases and their state (depending on the load history) is provided with internal variables that describe the development of a certain variable over time (e.g. plastic strain, damage, ...) and whose development over time is modeled by an ordinary differential equation.

Wie oben beschrieben hängen die Parameter z N j = 1,2, ,2 N

Figure DE102020203312A1_0009
und θ i = 0,1, , N k = 1,2, ,2 i
Figure DE102020203312A1_0010
eines DMNs von der Topologie Mikrostruktur- gegeben durch den Parameter A(x) - ab, die sie beschreiben, so dass ( z N j = 1,2, ,2 N ) A ¯
Figure DE102020203312A1_0011
und ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ .
Figure DE102020203312A1_0012
Damit DMNs in einer kompletten Bauteilsimulation für die Vorhersage des Mikrostrukturverhaltens an allen Stellen des Bauteils verwendet werden können, müssen entsprechend für alle im Bauteil auftretenden Mikrostrukturen Trainingsdaten generiert und das DMN antrainiert werden. Die makroskopische Bauteilsimulation erfolgt dann entsprechend folgendem Ablauf:

  • - Zunächst werden die internen Variablen der inelastischen Phasen (das sind die internen Variablen zur Beschreibung des nichtlinearen Verhaltens der virtuellen Phasen wie z.B. plastische Dehnungen) aller DMNs initialisiert.
  • - Wird nun eine makroskopische Belastung/Randbedingung auf dem Bauteil inkrementell (inkrementell, da bei nichtlinearen Problemen die Lösung vom Belastungspfad abhängig ist und stückweise - also inkrementell - aufgebracht werden muss) aufgebracht, wird in jedem Zeitschritt im Sinne des iterativen Verfahrens und/oder zur Berücksichtigung der Belastungshistorie folgende Schritte ausgeführt:
    • ◯ Im Kontext der FEM wird in jedem Zeitschritt das Verschiebungsfeld gelöst, das die obige Gleichgewichtsbedingung erfüllt.
    • ◯ Um dies zu erreichen, muss das DMN, unter Berücksichtigung der lokalen Mikrostruktur, ausgewertet werden um die Spannungen und die konsistente Tangente zu liefern. Hierzu wird die makroskopische Dehnung ε(x I, t) entsprechend der trainierten DMN-Parameter auf die einzelnen Phasen in der untersten Schicht des DMNs verteilt.
    • ◯ Je nach Beanspruchung (Belastung) der einzelnen Phasen wird ein Update der internen Variablen durchgeführt. Danach können dann die Spannungen und die konsistenten Tangenten der einzelnen Phasen berechnet werden.
    • ◯ Die gesamte makroskopische Spannung und konsistente Tangente wird über die Phasen entsprechend der Gewichte aufsummiert.
As described above, the parameters depend z N j = 1.2, ... , 2 N
Figure DE102020203312A1_0009
and θ i = 0.1, ... , N k = 1.2, ... , 2 i
Figure DE102020203312A1_0010
of a DMN from the topology microstructure - given by the parameter A. ( x ) - from which they describe so that ( z N j = 1.2, ... , 2 N ) A. ¯
Figure DE102020203312A1_0011
and ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ .
Figure DE102020203312A1_0012
So that DMNs can be used in a complete component simulation for predicting the microstructure behavior at all points of the component, training data must be generated for all microstructures occurring in the component and the DMN trained. The macroscopic component simulation then takes place according to the following sequence:
  • - First, the internal variables of the inelastic phases (these are the internal variables for describing the non-linear behavior of the virtual phases such as plastic strains) of all DMNs are initialized.
  • - If a macroscopic load / boundary condition is now applied to the component incrementally (incrementally, since the solution is dependent on the load path in the case of non-linear problems and has to be applied piece by piece - i.e. incrementally), in every time step in the sense of the iterative method and / or for Taking into account the load history, the following steps are carried out:
    • ◯ In the context of the FEM, the displacement field that fulfills the above equilibrium condition is solved in each time step.
    • ◯ To achieve this, the DMN must be evaluated, taking into account the local microstructure, in order to provide the stresses and the consistent tangent. For this purpose, the macroscopic elongation ε ( x I , t) distributed to the individual phases in the lowest layer of the DMN according to the trained DMN parameters.
    • ◯ An update of the internal variables is carried out depending on the use (load) of the individual phases. Then the stresses and the consistent tangents of the individual phases can be calculated.
    • ◯ The total macroscopic stress and consistent tangent is added up over the phases according to the weights.

Da unterschiedliche Mikrostrukturkonfigurationsparameter A zu unterschiedlichen DMNs führen (DMN(.4)) und da die Mikrostruktur und damit A innerhalb eines Bauteils (z.B. bei Spritzguss kurzglasfaserverstärkter Kunststoffe) stark variieren kann, müssen für diesen Ansatz ggf. eine sehr große Zahl von DMNs trainiert werden, wofür wiederum eine große Zahl von RVEs und elastischen Trainingsrechnungen nötig ist.Because different microstructure configuration parameters A. lead to different DMNs (DMN (.4)) and there the microstructure and thus A. can vary greatly within a component (e.g. injection molding of short glass fiber reinforced plastics), a very large number of DMNs may have to be trained for this approach, which in turn requires a large number of RVEs and elastic training calculations.

Diese Erfindung besteht nun darin, die DMNs nicht für jedes unterschiedliche A neu zu trainieren (und damit die ensprechenden Netzwerkparameter ( z N j = 1,2, ,2 N ) A ¯

Figure DE102020203312A1_0013
und ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯
Figure DE102020203312A1_0014
für alle Mikrostrukturen zu erzeugen), sondern einen Trainingsdatensatz DMN(A) für eine Trainingsmenge A zu erzeugen und damit ein datenbasiertes Netzwerkparametermodell zu trainieren, das den Zusammenhang von A mit den DMN Parametern vorhersagen kann und zur Parametrierung von weiteren DMNs verwendet werden kann, deren Mikrostrukturkonfigurationsparameter A außerhalb des Trainingsdatensatzes liegen.This invention now consists in not having the DMNs different for each A. to retrain (and thus the corresponding network parameters ( z N j = 1.2, ... , 2 N ) A. ¯
Figure DE102020203312A1_0013
and ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯
Figure DE102020203312A1_0014
for all microstructures), but a training data set DMN ( A. ) for a training set A. to generate and thus to train a data-based network parameter model that shows the relationship between A. can predict with the DMN parameters and can be used to parameterize other DMNs, their microstructure configuration parameters A. lie outside the training data set.

Für das Training werden folgende Schritte durchgeführt:

  • ◯ Zunächst wird der betrachtete Mikrostrukturparameterraum (also z.B. der Raum aller Mikrostrukturparameter, die faserverstärkte Kunststoffe beschreiben) mit einer finiten Anzahl A α diskretisiert, die den Raum ausreichend abdecken.
  • ◯ Für jeden dieser Mikrostrukturparameter A α wird nun eine repräsentative Mikrostruktur erzeugt und mit Hilfe von FFT-Rechnungen mit verschiedenen Steifigkeitskontrasten je ein DMN trainiert, für das die Netzwerkparameter dann ( z N j = 1,2, ,2 N ) A ¯ α
    Figure DE102020203312A1_0015
    und ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ α
    Figure DE102020203312A1_0016
    sind.
  • ◯ Die Ergebnisse der Berechnungen werden nun zusammengefasst als Datensatz { A ¯ α ( z N i = 1,2, ,2 i ) A ¯ α , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ α }
    Figure DE102020203312A1_0017
    der jedem Mikrostrukturparameter A α einen DMN-Parametersatz ( z N j = 1,2, ,2 N ) A ¯ α , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ α
    Figure DE102020203312A1_0018
    zuordnet.
  • ◯ Dieser Datensatz wird verwendet, um einen geeigneten Regressionsalgorithmus zu trainieren - z.B. ein neuronales Netz.
The following steps are carried out for the training:
  • ◯ First of all, the microstructure parameter space considered (e.g. the space of all microstructure parameters that describe fiber-reinforced plastics) is given a finite number A. α discretized that sufficiently cover the space.
  • ◯ For each of these microstructure parameters A. α a representative microstructure is now generated and, with the help of FFT calculations with different stiffness contrasts, a DMN is trained for each of the network parameters ( z N j = 1.2, ... , 2 N ) A. ¯ α
    Figure DE102020203312A1_0015
    and ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ α
    Figure DE102020203312A1_0016
    are.
  • ◯ The results of the calculations are now summarized as a data set { A. ¯ α ( z N i = 1.2, ... , 2 i ) A. ¯ α , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ α }
    Figure DE102020203312A1_0017
    of each microstructure parameter A. α a DMN parameter set ( z N j = 1.2, ... , 2 N ) A. ¯ α , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ α
    Figure DE102020203312A1_0018
    assigns.
  • ◯ This data set is used to train a suitable regression algorithm - e.g. a neural network.

Der trainierte Regressionsalgorithmus ermöglicht nun auch für neue AA α eine Vorhersage zugehöriger DMN-Parameter ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ .

Figure DE102020203312A1_0019
Einmal trainiert, können damit hocheffizient beliebig viele DMNs parametriert werden, die für Bauteilsimulationen mit beliebigen Verteilungen an Mikrostrukturen aus der zugrundeliegenden Klasse verwendet werden können.The trained regression algorithm now also enables new A. A. α a prediction of associated DMN parameters ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ .
Figure DE102020203312A1_0019
Once trained, any number of DMNs can be parameterized in a highly efficient manner, which can be used for component simulations with any distribution of microstructures from the underlying class.

Nach Erzeugung der DMNs der zugrundeliegenden Mikrostrukturen über den Regressionsalgorithmus ist das Vorgehen wie bei den klassischen DMNs.After generating the DMNs of the underlying microstructures using the regression algorithm, the procedure is the same as for classic DMNs.

Da die DMNs nur die Topologie der Mikrostrukturen beschreiben und das nichtlineare Verhalten der Phasen unabhängig davon modelliert wird, muss der Regressionsalgorithmus zur Vorhersage der DMN Parameter aus A für eine Mikrostrukturklasse nur einmal trainiert werden und kann dann unabhängig von Variationen der Materialmodelle der Einzelphasen verwendet werden.Since the DMNs only describe the topology of the microstructures and the non-linear behavior of the phases is modeled independently of this, the regression algorithm must be used to predict the DMN parameters A. can only be trained once for a microstructure class and can then be used independently of variations in the material models of the individual phases.

FigurenlisteFigure list

Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

  • 1 eine schematische Darstellung eines Deep Material Networks mit den Netzwerkparametern, die durch Aktivierungen zj und Rotationswinkel θj angegeben sind;
  • 2 ein Flussdiagramm zum Durchführen einer mikromechanischen Simulation eines Bauteils basierend auf dem Deep Material Networks der 1; und
  • 3 ein Verfahren zum Trainieren eines datenbasierten Netzwerkparametermodells zum Zuordnen von Netzwerkparametern des Deep Material Networks zu einer bestimmten charakterisierten Mikrostruktur.
Embodiments are explained in more detail below with reference to the accompanying drawings. Show it:
  • 1 a schematic representation of a deep material network with the network parameters indicated by activations z j and rotation angle θ j;
  • 2 a flowchart for performing a micromechanical simulation of a component based on the deep material network of FIG 1 ; and
  • 3 a method for training a data-based network parameter model for assigning network parameters of the deep material network to a specific characterized microstructure.

Beschreibung von AusführungsformenDescription of embodiments

Grundsätzlich erfolgt die numerische Simulation des mechanischen Verhaltens eines Bauteils im Rahmen der FEM durch Unterteilung des Bauteils in Volumenelemente, deren mechanische Eigenschaften bezogen auf einem dem Volumenelement zugeordneten Integrationspunkt berechnet werden. Die Integrationspunkte befinden sich entsprechend der Bauteilgeometrie in einem dreidimensionalen Raum

Figure DE102020203312A1_0020
∈ ℝ3. Mithilfe einer partiellen Differentialgleichung und vorgegebenen räumlichen und zeitlichen Anfangszuständen kann das mechanische Gleichgewicht des Bauteils abhängig von der externen Belastung γ(x, t) auf das Bauteil, z.B. angegeben als Krafteinwirkung, eine lokale Mikrostrukturkonfiguration, die durch Mikrostrukturkonfigurationsparameter A(x) für das lokale Volumenelement des betreffenden Integrationspunkts x̅ und für einen Zeitpunkt t angegeben ist, und die Spannungen σ(x, t) für das lokale Volumenelement des betreffenden Integrationspunkts x und für einen Zeitpunkt t, die die individuelle Materialantwort darstellt, ausgedrückt werden:
Figure DE102020203312A1_0021
Typische einskalige Simulationen gehen von einer funktionalen Abhängigkeit in der Form σ ¯ ( x ¯ , t ) = σ ¯ ( ε ¯ ( x ¯ , t ) ; A ¯ ( x ¯ ) )
Figure DE102020203312A1_0022
bezogen auf die Dehnung ε(x, t), die dem symmetrischen Gradienten ε(x, t) = ∇s u(x,t) entspricht, und der lokalen Mikrostrukturkonfiguration auf die resultierende Spannung gemäß einem nichtlinearen Verhalten aus. Setzt man das Materialgesetz in die Differentialgleichung ein, kann man die Gleichung (numerisch) nach den Verschiebungen u(x, t) lösen und erhält daraus die Deformation und Spannungsverteilung im Bauteil.In principle, the numerical simulation of the mechanical behavior of a component takes place within the framework of the FEM by subdividing the component into volume elements, the mechanical properties of which are based on an integration point assigned to the volume element be calculated. The integration points are located in a three-dimensional space according to the component geometry
Figure DE102020203312A1_0020
∈ ℝ 3 . With the help of a partial differential equation and given spatial and temporal initial states, the mechanical equilibrium of the component can be dependent on the external load γ ( x , t) a local microstructure configuration on the component, e.g. specified as the force effect, which is determined by microstructure configuration parameters A. ( x ) for the local volume element des relevant integration point x̅ and given for a point in time t, and the stresses σ ( x , t) for the local volume element of the integration point in question x and for a point in time t, which represents the individual material response, the following can be expressed:
Figure DE102020203312A1_0021
Typical single-scale simulations assume a functional dependency in the form σ ¯ ( x ¯ , t ) = σ ¯ ( ε ¯ ( x ¯ , t ) ; A. ¯ ( x ¯ ) )
Figure DE102020203312A1_0022
related to the elongation ε ( x , t) corresponding to the symmetrical gradient ε (x, t) = ∇ s u ( x , t), and the local microstructure configuration on the resulting stress according to a non-linear behavior. If you insert the law of material into the differential equation, you can use the equation (numerically) after the displacements u ( x , t) and derives from this the deformation and stress distribution in the component.

Um die Berechnung auf Grundlage der Mikrostrukturkonfigurationsparameter A(x) zu vereinfachen, wird ein kombiniertes System aus Deep Material Network und datenbasiertes Netzwerkparametermodell während der makroskopischen Berechnungsphase verwendet, das die Spannungsantwort des Materials unter Berücksichtigung von komplexen heterogenen Mikrostrukturen beinhaltet.To do the calculation based on the microstructure configuration parameters A. ( x ), a combined system of deep material network and data-based network parameter model is used during the macroscopic calculation phase, which includes the stress response of the material taking into account complex heterogeneous microstructures.

Für diese Berechnung ist die Empfindlichkeit der Spannungen mit Bezug zu den Dehnungsinkrementen, gegeben durch D(ε(x,t); A(x)), Teil der Inferenzphase und soll durch das trainierte Netzwerkparametermodell bereitgestellt werden. Die Empfindlichkeit der Spannung bezogen auf das Dehnungsinkrement entspricht der gesamten Steifigkeit D des betreffenden Volumenelements, die bei heterogenen Materialien mithilfe des konfigurierten Deep Material Network in an sich bekannter Weise aus den Einzelsteifigkeiten der in dem heterogenen Material verwendeten Materialien bestimmt werden kann.For this calculation, the sensitivity of the stresses in relation to the strain increments is given by D. ( ε ( x , t); A. ( x )), Part of the inference phase and should be provided by the trained network parameter model. The sensitivity of the stress in relation to the strain increment corresponds to the total stiffness D of the volume element in question, which in the case of heterogeneous materials can be determined in a known manner from the individual stiffnesses of the materials used in the heterogeneous material with the help of the configured deep material network.

In 1 ist beispielhaft ein Deep Material Network 1 mit den Gewichten (Aktivierungen) zj und den Rotationswinkeln θj für beispielhaft zwei Materialkomponenten angegeben, um aus entsprechenden Steifigkeitstensoren D1 und D2 einen für das betreffende Volumenelement gültigen gesamten Steifigkeitstensor Drve für die weitere Berechnung gemäß obiger Simulationsvorschrift bereitzustellen. Die Gesamtsteifigkeit für das Volumenelement hängt von den Mikrostruktur-Konfigurationsparametern A(x) des betreffenden Volumenelements (angegeben durch den Integrationspunkt x̅ ) ab, die für ein zu simulierendes Bauteil vorgegeben sind.In 1 For example, a deep material network 1 with the weights (activations) z j and the rotation angles θ j is specified for two material components, for example, in order to use corresponding stiffness tensors D 1 and D 2 to obtain an overall stiffness tensor D rve valid for the volume element in question for the further calculation according to to provide the above simulation rule. The overall stiffness for the volume element depends on the microstructure configuration parameters A. ( x ) of the relevant volume element (indicated by the integration point x̅), which are specified for a component to be simulated.

2 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Simulation einer mechanischen Eigenschaft eines Bauteils. Die Simulation erfolgt auf einer herkömmlichen Datenverarbeitungseinrichtung, wobei nachstehender Algorithmus als Hardware oder Software implementiert sein kann. 2 shows a flow chart to illustrate a method for simulating a mechanical property of a component. The simulation takes place on a conventional data processing device, whereby the following algorithm can be implemented as hardware or software.

Für die Simulation werden in Schritt S1 die elastischen Steifigkeiten D der verschiedenen Materialkomponenten sowie die Anfangswerte für lokale interne Zustände der virtuellen Phase angegeben werden. Die virtuellen Phasen entsprechen der Zusammensetzung des Materials des Bauteils in einem betreffenden Volumenelement sowie Parametern, die die Verteilung der Materialien in dem Volumenelement charakterisieren können.For the simulation, step S1 the elastic stiffnesses D of the various material components as well as the initial values for local internal states of the virtual phase are given. The virtual phases correspond to the composition of the material of the component in a relevant volume element and parameters which can characterize the distribution of the materials in the volume element.

Weiterhin werden für ein betrachtetes Volumenelement, das durch einen Integrationspunkt x̅ angegeben ist, in Schritt S2 Mikrostruktur-Konfigurationsparametern A(x) vorgegeben, die den mikrostrukturellen Aufbau des Volumenelements charakterisieren.Furthermore, in step S2 Microstructure configuration parameters A. ( x ), which characterize the microstructural structure of the volume element.

In Schritt S3 werden mithilfe eines trainierten Netzwerkparametermodells Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )

Figure DE102020203312A1_0023
eines Deep Material Networks 1 ermittelt. Das Netzwerkparametermodell ist trainiert, um einer durch die Mikrostruktur-Konfigurationsparameter A(x) charakterisierten Mikrostruktur Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )
Figure DE102020203312A1_0024
des DMN-Netzwerks zuzuordnen.In step S3 are network parameters using a trained network parameter model ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0023
of a deep material network 1 determined. The network parameter model is trained to be one through the microstructure configuration parameters A. ( x ) characterized microstructure network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0024
of the DMN network.

In Schritt S4 wird das so konfigurierte Deep Material Network verwendet, um bei einem vorgegebenen makroskopischen Dehnungsinkrement Δε(x) einen Backpropagation-Schritt auszuführen, um die Dehnungsinkremente Δε(x) der einzelnen virtuellen Phasen in der untersten Schicht des Deep Material Networks 1 mithilfe einer Newton-Raphson-Iteration zu ermitteln.In step S4 the Deep Material Network configured in this way is used to generate a given macroscopic strain increment Δ ε ( x ) carry out a backpropagation step to determine the expansion increments Δ ε ( x ) of the individual virtual phases in the lowest layer of the Deep Material Network 1 using a Newton-Raphson iteration.

Anschließend werden in Schritt S5 diese Dehnungsinkremente Δε(x) verwendet, um die internen Zustände für den betreffenden Integrationspunkt (z. B. die Plastizität) zu aktualisieren (durch Aufaddieren der Dehnungsinkremente Δε(x) zu der für das jeweilige Volumenelement, die betreffende Phase vorliegenden Dehnung ε(x) und die auf der elastischen Steifigkeit und nichtelastischen Aktualisierungen basierende Tangente zu berechnen. Die Tangente entspricht der Ableitung der Spannungen nach den Dehnungen. Dabei gibt es einen linearen, elastischen Anteil, der mit der elastischen Steifigkeit übereinstimmt. Gleichzeitig gibt es aber auch einen nichtlinearen Anteil: Wenn sich bei Erhöhung der Spannung die plastischen Dehnungen verändern, hat das auch einen Einfluss auf die Spannung. Die Tangente kombiniert beide Effekte.Then in step S5 these expansion increments Δ ε ( x ) is used to update the internal states for the relevant integration point (e.g. the plasticity) (by adding up the expansion increments Δ ε ( x ) to the strain present for the respective volume element, the respective phase ε ( x ) and compute the tangent based on the elastic stiffness and inelastic updates. The tangent corresponds to the derivation of the stresses after the elongations. There is a linear, elastic component that corresponds to the elastic stiffness. At the same time, however, there is also a non-linear component: If the change plastic strains, this also has an influence on the tension. The tangent combines both effects.

In Schritt S6 wird nun eine Vorwärtspropagation durch das DMN abhängig von den für das jeweilige Volumenelement und die betreffende Phase vorliegenden Dehnung ε(x) durchgeführt, um eine gesamte Steifigkeit D rve(x) für das Volumenelement zu erhalten.In step S6 forward propagation through the DMN is now dependent on the expansion present for the respective volume element and the phase in question ε ( x ) performed to a total stiffness D. rve ( x ) for the volume element.

Dieses Verfahren wird für jeden der Integrationspunkte x̅ durchgeführt.This procedure is carried out for each of the integration points x̅.

Zur Ermittlung der Netzwerkparameter für das DMN ist ein datenbasiertes Netzwerkparametermodell vorgesehen, das mithilfe eines in dem Flussdiagramm der 3 dargestellten Verfahrens trainiert werden kann.In order to determine the network parameters for the DMN, a data-based network parameter model is provided which, with the aid of one of the flowcharts in FIG 3 illustrated method can be trained.

In Schritt S11 werden dazu eine Anzahl M von Steifigkeitstensorkombinationen D ¯ 1 i ,

Figure DE102020203312A1_0025
D ¯ 2 i ,
Figure DE102020203312A1_0026
... mit i=1,...,M und repräsentativen Mikrostrukturen mit den Mikrostrukturkonfigurationseigenschaften Aa mit a=1,...,L bereitgestellt.In step S11 a number M of stiffness tensor combinations are used for this D. ¯ 1 i ,
Figure DE102020203312A1_0025
D. ¯ 2 i ,
Figure DE102020203312A1_0026
... with i = 1, ..., M and representative microstructures with the microstructure configuration properties A a with a = 1, ..., L provided.

Anschließend werden in Schritt S12 die resultierenden effektiven elastischen Steifigkeitstensoren D ¯ α i ,

Figure DE102020203312A1_0027
der Mikrostrukturen mit den jeweiligen Mikrostrukturkonfigurationsparameter A α und die einzelnen Phasen mit den Steifigkeiten D ¯ 1 i , D ¯ 2 i , z .B .
Figure DE102020203312A1_0028
... mithilfe einer Fast-Fourier-Transformation in an sich bekannter Weise ermittelt.Then in step S12 the resulting effective elastic stiffness tensors D. ¯ α i ,
Figure DE102020203312A1_0027
of the microstructures with the respective microstructure configuration parameters A. α and the individual phases with the stiffnesses D. ¯ 1 i , D. ¯ 2 i , ... z .B .
Figure DE102020203312A1_0028
... determined with the help of a Fast Fourier Transformation in a manner known per se.

Daraus ergeben sich Trainingsdatensätze { D ¯ 1 i , D ¯ 2 i , D ¯ α i , } A ¯ α ,

Figure DE102020203312A1_0029
bei denen die Steifigkeitstensorkombinationen D ¯ 1 i , D ¯ 2 i ,
Figure DE102020203312A1_0030
... auf den resultierenden effektiven elastischen Steifigkeitstensor D ¯ α i ,
Figure DE102020203312A1_0031
für die jeweilige durch A α angegebene Mikrostruktur abgebildet werden.This results in training data sets { D. ¯ 1 i , D. ¯ 2 i , D. ¯ α i , } A. ¯ α ,
Figure DE102020203312A1_0029
where the stiffness tensor combinations D. ¯ 1 i , D. ¯ 2 i ,
Figure DE102020203312A1_0030
... on the resulting effective elastic stiffness tensor D. ¯ α i ,
Figure DE102020203312A1_0031
for the respective through A. α specified microstructure can be mapped.

Daraus werden in Schritt S13 nun die Netzwerkparameter des Deep Material Network ( z N j = 1,2, ,2 N ) A ¯ α

Figure DE102020203312A1_0032
und ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ α
Figure DE102020203312A1_0033
für die L verschiedenen Mikrostrukturen ermittelt, wobei N der Anzahl der Schichten des DMN entspricht. Hierzu eignet sich ein Backpropagation- oder ein Stochastic Gradient Descent Verfahren.This will be in step S13 now the network parameters of the Deep Material Network ( z N j = 1.2, ... , 2 N ) A. ¯ α
Figure DE102020203312A1_0032
and ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ α
Figure DE102020203312A1_0033
determined for the L different microstructures, where N corresponds to the number of layers of the DMN. A back propagation or a stochastic gradient descent method is suitable for this.

Man erhält daraus für jede der durch die Mikrostrukturkonfigurationsparameter A α angegebenen Mikrostrukturen ein eigenes Deep-Material-Netzwerk D M N ( z N j , θ j k ) A ¯ α ,

Figure DE102020203312A1_0034
wobei die Mikrostrukturkonfigurationsparameter Aa auf die Netzwerkparameter des Deep Material Networks mithilfe des Netzwerkparametermodells abgebildet werden.From this, one obtains for each of the microstructure configuration parameters specified by the microstructure A. α specified microstructures have their own deep material network D. M. N ( z N j , θ j k ) A. ¯ α ,
Figure DE102020203312A1_0034
wherein the microstructure configuration parameters A a are mapped to the network parameters of the deep material network with the aid of the network parameter model.

Mithilfe des Trainingsdatensatzes { A ¯ α z N i = 1,2, ,2 N , θ i = 0,1, , N k = 1,2, ,2 i } ,

Figure DE102020203312A1_0035
der die Mikrostrukturkonfigurationsparameter A α auf die Netzwerkparameter des DMN abbildet, wird in Schritt S14 das Netzwerkparametermodell in an sich bekannter Weise, z.B. mithilfe eines Backpropagation-Verfahrens, trainiert. Das Netzwerkparametermodell kann als Regressionsmodell, wie z.B. als Gaußprozessmodell oder als künstliches neuronales Netz ausgebildet sein.Using the training data set { A. ¯ α z N i = 1.2, ... , 2 N , θ i = 0.1, ... , N k = 1.2, ... , 2 i } ,
Figure DE102020203312A1_0035
which is the microstructure configuration parameters A. α is mapped to the network parameters of the DMN in step S14 the network parameter model is trained in a manner known per se, for example with the aid of a backpropagation method. The network parameter model can be designed as a regression model, such as a Gaussian process model or as an artificial neural network.

Damit können die Netzwerkparameter des Deep Material Networks für jedes Volumenelement unmittelbar durch die Mikrostrukturkonfigurationsparameter Aa vorhergesagt werden, d.h. ( z N j = 1,2, ,2 N ) A ¯ α , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ α = N N ( A ¯ α ) .

Figure DE102020203312A1_0036
The network parameters of the deep material network can thus be predicted directly for each volume element by means of the microstructure configuration parameters A a, ie ( z N j = 1.2, ... , 2 N ) A. ¯ α , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ α = N N ( A. ¯ α ) .
Figure DE102020203312A1_0036

Das so trainierte Netzwerkparametermodell kann dann für die oben beschriebene mikromechanische Simulation eines Bauteils inkrementell für die einzelnen Integrationspunkte verwendet werden.The network parameter model trained in this way can then be used incrementally for the individual integration points for the micromechanical simulation of a component described above.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte Nicht-PatentliteraturNon-patent literature cited

  • Modellordnungsreduktionsverfahren in Kombination mit Hauptkomponentenanalysen (PCA), z.B. Fritzen, F., & Böhlke, T. (2013) [0004]Model order reduction method in combination with principal component analysis (PCA), e.g. Fritzen, F., & Böhlke, T. (2013) [0004]
  • Yvonnet, et al., „Computational homogenization of nonlinear elastic materials using neural networks“, International Journal for Numerical Methods in Engineering 104(12), 2015 [0005]Yvonnet, et al., "Computational homogenization of nonlinear elastic materials using neural networks", International Journal for Numerical Methods in Engineering 104 (12), 2015 [0005]
  • M., „The sequential addition and migration method to generate representative volume elements for the homogenization of short fiber reinforced plastics.“, Computational Mechanics, 59, 247-263 2017 [0017]M., "The sequential addition and migration method to generate representative volume elements for the homogenization of short fiber reinforced plastics.", Computational Mechanics, 59, 247-263 2017 [0017]

Claims (8)

Verfahren zum Durchführen einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur, wobei für jeden Integrationspunkt (x) des Bauteils folgende Schritte ausgeführt werden: - Bereitstellen (S1) von Netzwerkparametern ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )
Figure DE102020203312A1_0037
eines Deep Material Networks (1) abhängig von einer Mikrostruktur des betreffenden Integrationspunkts (x), wobei die Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )
Figure DE102020203312A1_0038
mithilfe eines trainierten datenbasierten Netzwerkparametermodell abhängig von Mikrostrukturkonfigurationsparametern (A(x)) bestimmt werden, wobei die Mikrostrukturkonfigurationsparameter (A(x)) die Mikrostruktur des betreffenden Integrationspunkts (x) angeben, - Verwenden (S4) des Deep Material Networks (1), um eine Spannung und eine konsistente Tangente für jeden Integrationspunkt (x) zu bestimmen; - Durchführen (S5, S6) der mechanischen Simulation basierend auf den Spannungen und konsistenten Tangenten an den Integrationspunkten (x).
Method for performing a mechanical simulation of a component with a heterogeneous microstructure, whereby for each integration point ( x ) of the component, the following steps are carried out: - Provision (S1) of network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0037
of a deep material network (1) depending on a microstructure of the relevant integration point ( x ), the network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0038
using a trained data-based network parameter model depending on microstructure configuration parameters ( A. ( x )), with the microstructure configuration parameters ( A. ( x )) the microstructure of the integration point in question ( x ), - Using (S4) the Deep Material Network (1) to find a stress and a consistent tangent for each integration point ( x ) to determine; - Performing (S5, S6) the mechanical simulation based on the stresses and consistent tangents at the integration points ( x ).
Verfahren nach Anspruch 1, wobei die mechanische Simulation mithilfe eines Finite-Elemente-Verfahrens durchgeführt wird.Procedure according to Claim 1 , whereby the mechanical simulation is carried out using a finite element method. Verfahren nach Anspruch 2, wobei für jeden der Integrationspunkte (x) aus der Finite-Elemente-Simulation ein makroskopisches Dehnungsinkrement (Δε(x)) ermittelt wird und ein Backpropagation-Verfahren in dem DMN-Netzwerk ausgeführt wird, um die Dehnungsinkremente (Δε(x)) der virtuellen Phase auf der untersten Ebene des DMN-Netzwerkes zu berechnen, wobei mithilfe der Dehnungsinkremente (Δε(x)) der virtuellen Phase die internen Zustände, die an den Integrationspunkten (x) vorliegen, aktualisiert werden, wobei mithilfe des DMN die resultierende homogenisierte gesamte Steifigkeit des betreffenden Integrationspunkts (x) durch Vorwärtspropagieren berechnet wird.Procedure according to Claim 2 , where for each of the integration points ( x ) from the finite element simulation a macroscopic strain increment (Δ ε ( x )) is determined and a backpropagation method is carried out in the DMN network to determine the expansion increments (Δ ε ( x )) of the virtual phase on the lowest level of the DMN network, using the expansion increments (Δ ε ( x )) of the virtual phase, the internal states that occur at the integration points ( x ) are available, with the help of the DMN the resulting homogenized total stiffness of the relevant integration point ( x ) is calculated by forward propagation. Verfahren zum Trainieren eines Netzwerkparametermodells für eine Verwendung in einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur, mit folgenden Schritten: - Bereitstellen einer Anzahl von Mikrostruktur-Konfigurationsparametern (A(x)), die einen Raum von Mikrostrukturparameter von möglichen heterogener Mikrostrukturen definieren; - Erzeugen einer repräsentativen Mikrostruktur und Trainieren eines DMN mit Hilfe von FFT-Rechnungen mit verschiedenen Steifigkeitskontrasten für jeden Mikrostrukturkonfigurationsparameter (A(x)), um die Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )
Figure DE102020203312A1_0039
des DMN zu erhalten; - Trainieren des Netzwerkparametermodells ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ ) ,
Figure DE102020203312A1_0040
um die Mikrostrukturkonfigurationsparameter (A(x)) auf die Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, ,2 i ) A ¯ )
Figure DE102020203312A1_0041
des DMN abzubilden.
Method for training a network parameter model for use in a mechanical simulation of a component with a heterogeneous microstructure, with the following steps: - Provision of a number of microstructure configuration parameters ( A. ( x )) that define a space of microstructure parameters of possible heterogeneous microstructures; - Generation of a representative microstructure and training of a DMN with the help of FFT calculations with different stiffness contrasts for each microstructure configuration parameter ( A. ( x )) to the network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0039
of the DMN; - Training the network parameter model ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ ) ,
Figure DE102020203312A1_0040
around the microstructure configuration parameters ( A (x )) on the network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... , 2 i ) A. ¯ )
Figure DE102020203312A1_0041
of the DMN.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das datenbasierte Netzwerkparametermodell als ein Regressionsmodell oder ein neuronales Netzwerk ausgebildet ist.Method according to one of the Claims 1 until 4th , wherein the data-based network parameter model is designed as a regression model or a neural network. Vorrichtung zum Durchführen einer mechanischen Simulation eines Bauteils mit heterogener Mikrostruktur, wobei die Vorrichtung ausgebildet ist, um für jeden Integrationspunkt (x) des Bauteils folgende Schritte auszuführen: - Bereitstellen von Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, 2 i ) A ¯ )
Figure DE102020203312A1_0042
eines Deep Material Networks (1) abhängig von einer Mikrostruktur des betreffenden Integrationspunkts, wobei die Netzwerkparameter ( ( z N j = 1,2, ,2 N ) A ¯ , ( θ i = 0,1, , N k = 1,2, 2 i ) A ¯ )
Figure DE102020203312A1_0043
mithilfe eines trainierten datenbasierten Netzwerkparametermodells abhängig von Mikrostrukturkonfigurationsparametern (A(x)) bestimmt werden, wobei die Mikrostrukturkonfigurationsparameter (A(x)) die Mikrostruktur des betreffenden Integrationspunkts (x) angeben, - Verwenden des Deep Material Networks (1), um eine Spannung und eine konsistente Tangente für jeden Integrationspunkt (x) zu bestimmen; - Durchführen der mechanischen Simulation basierend auf den Spannungen und konsistenten Tangenten an den Integrationspunkten (x).
Device for performing a mechanical simulation of a component with a heterogeneous microstructure, the device being designed to provide for each integration point ( x ) of the component to perform the following steps: - Provision of network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... 2 i ) A. ¯ )
Figure DE102020203312A1_0042
of a deep material network (1) depending on a microstructure of the integration point in question, the network parameters ( ( z N j = 1.2, ... , 2 N ) A. ¯ , ( θ i = 0.1, ... , N k = 1.2, ... 2 i ) A. ¯ )
Figure DE102020203312A1_0043
using a trained data-based network parameter model depending on microstructure configuration parameters ( A. ( x )), with the microstructure configuration parameters ( A. ( x )) the microstructure of the integration point in question ( x ) - Using the Deep Material Network (1) to find a stress and a consistent tangent for each integration point ( x ) to determine; - Performing the mechanical simulation based on the stresses and consistent tangents at the integration points ( x ).
Computerprogramm, welches dazu eingerichtet ist, alle Schritte eines Verfahrens nach einem der Ansprüche 1 bis 6 auszuführen.Computer program which is set up to carry out all the steps of a method according to one of the Claims 1 until 6th to execute. Elektronisches Speichermedium, auf welchem ein Computerprogramm nach Anspruch 7 gespeichert ist.Electronic storage medium on which a computer program is based Claim 7 is stored.
DE102020203312.9A 2020-03-16 2020-03-16 Method and device for simulating the component behavior of a component with a heterogeneous microstructure Pending DE102020203312A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102020203312.9A DE102020203312A1 (en) 2020-03-16 2020-03-16 Method and device for simulating the component behavior of a component with a heterogeneous microstructure

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020203312.9A DE102020203312A1 (en) 2020-03-16 2020-03-16 Method and device for simulating the component behavior of a component with a heterogeneous microstructure

Publications (1)

Publication Number Publication Date
DE102020203312A1 true DE102020203312A1 (en) 2021-09-16

Family

ID=77456951

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020203312.9A Pending DE102020203312A1 (en) 2020-03-16 2020-03-16 Method and device for simulating the component behavior of a component with a heterogeneous microstructure

Country Status (1)

Country Link
DE (1) DE102020203312A1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006059829A1 (en) 2006-12-15 2008-06-19 Slawomir Suchy Universal computer for performing all necessary functions of computer, has microprocessor, hard disk, main memory, monitor, digital versatile disc-compact disc-drive integrated in single computer device as components

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006059829A1 (en) 2006-12-15 2008-06-19 Slawomir Suchy Universal computer for performing all necessary functions of computer, has microprocessor, hard disk, main memory, monitor, digital versatile disc-compact disc-drive integrated in single computer device as components

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M., „The sequential addition and migration method to generate representative volume elements for the homogenization of short fiber reinforced plastics.", Computational Mechanics, 59, 247-263 2017
Modellordnungsreduktionsverfahren in Kombination mit Hauptkomponentenanalysen (PCA), z.B. Fritzen, F., & Böhlke, T. (2013)
Yvonnet, et al., „Computational homogenization of nonlinear elastic materials using neural networks", International Journal for Numerical Methods in Engineering 104(12), 2015

Similar Documents

Publication Publication Date Title
DE102020210965B4 (en) NEURAL GRAPH-TRANSFORMER NETWORK FORCE FIELD FOR PREDICTING ATOMIC FORCES AND ENERGIES IN MOLECULAR DYNAMICS SIMULATIONS
DE102015107800A1 (en) Fast analysis of residual stress and distortion in cast aluminum components
DE102010026635B4 (en) A method of simulating a composite multidirectional fiber using a process comprising a finite element method simulation algorithm
DE102016222814A1 (en) METHOD FOR CALCULATING AN OUTPUT OF A NEURONAL NETWORK
DE102019134053A1 (en) Process for the continuous validation of automated driving functions applied in driving tests
WO2023021022A1 (en) System for ascertaining internal load states of a mechanical component
DE102019203634A1 (en) Method and device for controlling a robot
DE102020204585B3 (en) Method for simulating the fiber orientation of fiber-reinforced plastics in injection molding, method for calculating macroscopic physical parameters of a fiber-reinforced plastic and method for simulating an injection molding of a component made of fiber-reinforced plastic
DE102019128655B4 (en) Method for providing a computer-aided control for a technical system
WO2013026636A1 (en) Method for the creation of a model
DE10046742A1 (en) Device and method for a vehicle design system
DE102020203312A1 (en) Method and device for simulating the component behavior of a component with a heterogeneous microstructure
Brandyberry et al. A GFEM-based reduced-order homogenization model for heterogeneous materials under volumetric and interfacial damage
DE102010043368A1 (en) A method for acoustic analysis of a body and system for carrying out such a method
DE102020212505A1 (en) Creation of a simplified model for XiL systems
DE102012016610B4 (en) Real-time circuit simulation
DE19917045A1 (en) Procedure for determining the deformations and stresses of an overall structure consisting of substructures
DE102019208923A1 (en) Method and device for determining the temporal structural behavior of a solid
DE102022201433A1 (en) Device and method for integrating a statistical surface roughness model into crystal plasticity simulations, in particular for a fatigue life calculation
WO2021089499A1 (en) Method and system for checking an automated driving function by reinforcement learning
DE102019126292A1 (en) System and method for predicting an analytical anomaly in computational fluid dynamics analysis
EP3056994B1 (en) Device and method for detecting, checking and storing process data from at least two process steps
Kaminski Homogenization of fiber-reinforced composites under the stochastic aging process
EP0978444A2 (en) Method for determining deformations and stresses in a construction consisting of component structures
Dizaji et al. Nonlinear adaptive simulation of concrete gravity dams using generalized prandtl neural networks

Legal Events

Date Code Title Description
R163 Identified publications notified