Multiskalare Modellierung stochastischer Felder
Transcrição
Multiskalare Modellierung stochastischer Felder
Multiskalare Modellierung stochastischer Felder Vom Promotio nsausschuss der Technischen Universität Ha mburg -Harburg zur Erlang ung des aka de misc hen Grades Doktor-Ingenieur (Dr.-Ing.) genehmigte Dissertatio n von Sönke Klostermann aus Hamburg 2015 Gutachter: Prof. Dr.-Ing. Otto von Estorff Prof. Dr. E.h. Dr.-Ing. habil. Josef Schlattmann Tag der mündlichen Prüfung: 15. Dezember 2014 Schriftenreihe des Instituts für Modellierung und Berechnung der Technischen Universität Hamburg-Harburg Band 15 Sönke Klostermann Multiskalare Modellierung stochastischer Felder Shaker Verlag Aachen 2015 Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar. Zugl.: Hamburg-Harburg, Techn. Univ., Diss., 2014 Herausgeber: Prof. Dr.-Ing. Otto von Estorff Technische Universität Hamburg-Harburg Institut für Modellierung und Berechnung Denickestraße 17 21073 Hamburg Telefon: Fax: E-Mail: Internet: 040/42878-3032 040/42878-4353 [email protected] http://www.mub.tu-harburg.de Copyright Shaker Verlag 2015 Alle Rechte, auch das des auszugsweisen Nachdruckes, der auszugsweisen oder vollständigen Wiedergabe, der Speicherung in Datenverarbeitungsanlagen und der Übersetzung, vorbehalten. Printed in Germany. ISBN 978-3-8440-3747-0 ISSN 1860-8221 Shaker Verlag GmbH • Postfach 101818 • 52018 Aachen Telefon: 02407 / 95 96 - 0 • Telefax: 02407 / 95 96 - 9 Internet: www.shaker.de • E-Mail: [email protected] Danksagung Der Erstkontakt mit stochastischer Simulation, die als Ziel mehr Zuverlässigkeit und Vertrauen in Prognosen von realen Systemverhalten bietet, fand während meiner Zeit als Diplomand bei EADS Innovation Works (heute Airbus Group Innovations) in Hamburg statt. Aus der Aufgabe zur Modellierung räumlich lokalisierter Variationen entstand die Idee, das Thema im Rahmen einer Tätigkeit als Doktorand weiter zu führen, um die Modellierungsmöglichkeiten bestehender Methoden zu erweitern. Mehreren Personen, die mich bei der Erstellung dieser Arbeit begleitet haben, fühle ich mich zu Dank verpflichtet. Ich danke meinem Doktorvater Herrn Prof. von Estorff für seine Unterstützung und die Betreuung der Arbeit. Er ließ mir die nötige wissenschaftliche Freiheit und stand mit wohlmeinendem Rat zur Seite. Weiterhin danke ich Herrn Prof. Schlattmann für sein Interesse an meinem Forschungsthema und die Bereitschaft das Zweitgutachten zu erstellen. Herrn Prof. God sage ich Dank für die Übernahme des Vorsitzes der Prüfungskommission. Meinem Kollegen Herrn Dr.-Ing. Dietmar Vogt danke ich für die konstruktiven Diskussionen und kreativen Anregungen, die mir auf dem eingeschlagenen Weg weiter geholfen haben. Herrn Dipl.-Ing. Mario Cappitelli danke ich für die seit Jahren bestehende angenehme und motivierende Arbeitsatmosphäre im gemeinsamen Büro. Meinem Vorgesetzten Herrn Dr.-Ing. Michael Olbert danke ich für das Vertrauen in meine fachliche Arbeit und die Möglichkeit, diese Dissertation innerhalb der Konzernforschung zu schreiben. Außerdem danke ich den Studenten Alexandre Faucon, Burak Özarmut, David Knodel und Malte Groth, die mich im Rahmen von Praktika und Abschlussarbeiten unterstützt haben. Ein besonderer Dank gebührt meinem Studienfreund Herrn Dipl.-Ing. Christoph Hasenbein, der beim Lektorat dieser Arbeit wertvolle Hinweise gab und so zum besseren Verständnis der Thematik beigetragen hat. Zu tiefstem Dank bin ich meinen Eltern verpflichtet, die mir in den Jahren des Studiums und der Promotion stets Rückhalt und Unterstützung gegeben haben. Ihnen widme ich diese Arbeit. Hamburg, im Frühjahr 2015 Sönke Klostermann Kurzfassung Im modernen Produktentwicklungsprozess ist die Simulation ein wichtiges Hilfsmittel. Zentrales Ziel der numerischen Simulation ist eine zuverlässige und vertrauenswürdige Prognose des realen Systemverhaltens. Das Verhalten realer Systeme ist dabei von zahlreichen Unsicherheiten beeinflusst, die auf die Unschärfe physikalischer Systemeigenschaften und Randbedingungen zurückgeführt werden können. Ein wirklichkeitsgetreuer Modellierungs- und Simulationsprozess muss die inhärenten Unsicherheiten der Wirklichkeit entsprechend einbeziehen. Das höchste Potential zur Berücksichtigung realer Unsicherheiten durch die Abbildung räumlich lokalisierter Variationen bieten stochastische Felder als mathematisches Modell in der stochastischen Simulation. In dieser Arbeit wird ein Modellierungsprozess für stochastische Felder entwickelt, der die zielgerichtete Erzeugung synthetischer Realisierungen auf Basis einer realen Stichprobe ermöglicht. Der Modellierungsprozess deckt durch die Phasen von der Datenerfassung und Vorbehandlung über die Ableitung des stochastischen Modells bis zur Erzeugung synthetischer Realisierungen die gesamte Prozesskette zur Vorbereitung der stochastischen Simulation ab. Speziell zur Modellierung von komplexen heterogenen morphologischen Merkmalen, die einen starken Einfluss auf das gesamte Systemverhalten ausüben können, existiert für bestehende Verfahren eine methodische Lücke. Zum Schließen dieser Lücke werden, neben stochastischen Methoden zur mathematischen Modellierung von Unsicherheiten, Techniken des maschinellen Lernens und der Bildverarbeitung zur Entwicklung neuartiger Modellierungsmethoden eingesetzt. Die in dieser Arbeit entwickelte differentielle Skalenraumdarstellung erlaubt die Ableitung eines stochastischen Modells zur Beschreibung komplexer heterogener morphologischer Merkmale. Der multiskalare Ansatz der Methode stellt die Berücksichtigung von Merkmalen unterschiedlicher Größenordnung innerhalb eines Modells sicher. Das Verfahren erlaubt eine universelle Modellierung für beliebige Dimensionen multivariater stochastischer Felder. Für eine effizientere Beschreibung feingranularer morphologischer Merkmale wird die differentielle Skalenraumdarstellung mit einer filterbasierten Methode zur Beschreibung lokaler Muster kombiniert. Zusammen mit der Methodenentwicklung zur besonderen Berücksichtigung der Gestalt der lokalen Muster kann durch das filterbasierte Verfahren eine wesentliche Verringerung der Modellierungskomplexität zur Berücksichtigung feingranularer morphologischer Merkmale erreicht werden. Der entwickelte Gesamtprozess zur Modellierung stochastischer Felder ermöglicht ein systematisches Vorgehen zur Ableitung eines stochastischen Modells auf Basis einer realen Stichprobe. Durch das stochastische Modell können synthetische Realisierungen erzeugt werden, die für die reale Stichprobe statistisch repräsentativ sind. Die Anwendung dieser virtuellen Prototypen in der stochastischen Simulation erlaubt eine zuverlässigere und vertrauenswürdigere Prognose des realen Syste mverhaltens. Inhaltsverzeichnis 1 2 Einleitung .................................................................................................. 1 1.1 Stand der Technik ................................................................................. 4 1.2 Zielsetzung der Arbeit ........................................................................... 7 1.3 Vorgehensweise...................................................................................... 8 Stochastische Simulation ......................................................................... 11 2.1 Lösung partieller Differentialgleichungen .................................... 12 2.1.2 Phasen des Modellierungs- und Simulationsprozesses ................ 13 2.1.3 Räumliche und zeitliche Diskretisierung ..................................... 14 2.2 Unsicherheiten und Fehler numerischer Simulation .......................... 17 2.3 Typisierung stochastischer Phänomene .............................................. 20 2.3.1 Stochastische Variable ................................................................. 21 2.3.2 Stochastischer Prozess ................................................................. 25 2.3.3 Stochastisches Feld ...................................................................... 33 2.4 3 Nichtdeterministische Simulationsmethoden ...................................... 37 2.4.1 Analytische Methoden ................................................................. 38 2.4.2 Monte-Carlo-Methoden ................................................................ 42 2.4.3 Approximationsmethoden ............................................................ 46 2.4.4 Methodenauswahl ........................................................................ 48 Erfassung und Vorbehandlung der Daten .............................................. 51 3.1 Datenerfassung .................................................................................... 51 3.1.1 Messung ........................................................................................ 51 3.1.2 Simulation .................................................................................... 56 3.2 4 Der deterministische Modellierungs- und Simulationsprozess ........... 11 2.1.1 Datenaufbereitung ............................................................................... 58 3.2.1 Dateninterpolation ....................................................................... 58 3.2.2 Datensegmentierung .................................................................... 60 3.2.3 Abbildung auf der sigmatischen Ebene ....................................... 68 Modellierung stochastischer Felder ......................................................... 73 4.1 Klassifizierung ..................................................................................... 73 4.1.1 Taxonomie stochastischer Prozesse und Felder .......................... 74 4.1.2 Morphologische Struktur der Stichprobenelemente .................... 77 4.2 Charakteristische Merkmalsbeschreibung........................................... 81 viii Inhaltsverzeichnis 4.2.1 Anforderungsanalyse .................................................................... 83 4.2.2 Skalenraumbasierte differentielle Multiskalentransformation ..... 85 4.2.3 Filterbasierte Methode zur Beschreibung lokaler Merkmale....... 99 4.3 Ableitung des stochastischen Modells ............................................... 102 4.3.1 Globales Modell zur Beschreibung von Merkmalen grober und mittlerer Granularität ............................................................................ 104 4.3.2 Lokales Modell zur Beschreibung von Merkmalen feiner Granularität ........................................................................................... 111 5 Synthetische Realisierung ...................................................................... 115 5.1 Erzeugung von Zufallszahlen ..................................................... 116 5.1.2 Simulation des stochastischen Modells ...................................... 118 5.1.3 Varianzkontrolle ......................................................................... 120 5.2 Synthese von Strukturen feiner Granularität ................................... 121 5.2.1 Zufälliger Pfad ............................................................................ 122 5.2.2 Innere und äußere Maske ........................................................... 123 5.2.3 Varianzkontrolle ......................................................................... 124 5.3 6 Synthese von Strukturen grober und mittlerer Granularität ........... 116 5.1.1 Applikation der synthetischen Realisierungen .................................. 125 Numerische Beispiele ............................................................................. 131 6.1 Merkmalsbeschreibung einer Faserverbundwerkstoffplatte .............. 132 6.2 Stochastische Modellierung von Röntgenmessungen an Faserverbundwerkstoffplatten .................................................................... 138 6.3 7 Stochastische Modellierung einer Asphaltbetonstichprobe............... 151 Zusammenfassung .................................................................................. 153 Literaturverzeichnis ........................................................................................ 155 Liste der Formelzeichen .................................................................................. 182