TU Darmstadt / ULB / TUprints

Algorithmic Conceptual Design of Technical Systems Under Uncertainty

Leise, Philipp (2023)
Algorithmic Conceptual Design of Technical Systems Under Uncertainty.
doi: 10.26083/tuprints-00023403
Book, Secondary publication, Postprint

[img] Text
221019_dissertation_Algorithmic_Conceptual_Design_of_Technical_Systems_Under_Uncertainty_leise.pdf
Copyright Information: CC BY-NC 4.0 International - Creative Commons, Attribution NonCommercial.

Download (2MB)
Item Type: Book
Type of entry: Secondary publication
Title: Algorithmic Conceptual Design of Technical Systems Under Uncertainty
Language: English
Referees: Pelz, Prof. Dr. Peter F.
Date: 27 March 2023
Place of Publication: Darmstadt
Year of primary publication: 2023
Publisher: Shaker
Collation: XX, 182 Seiten
Date of oral examination: 19 October 2022
DOI: 10.26083/tuprints-00023403
Corresponding Links:
Origin: Secondary publication service
Abstract:

Die vorliegende Dissertation ist im Rahmen des Sonderforschungsbereichs 805 am Institut für Fluidsystemtechnik im Fachbereich Maschinenbau der TU Darmstadt entstanden. Betrachtet wird die konzeptionelle Auslegung technischer Systeme unter Berücksichtigung von Unsicherheit mithilfe exakter Optimierungsalgorithmen. Diese eignen sich insbesondere für eine systematische Auslegung, da sie zur Auffindung global-optimaler Systemstrukturen führen und damit Strukturunsicherheit reduzieren. Die hinsichtlich einer definierten Zielfunktion optimierte Systemgestalt hängt maßgeblich von der gewählten Parametrisierung ab. Da diese Parametrisierung jedoch während der konzeptionellen Entwicklung mit Unsicherheit behaftet ist, entstehen bei Nutzung unterschiedlicher Parametrisierungen in der Regel unterschiedliche Lösungsstrukturen. Darüber hinaus findet die Lösungssuche für technische Systeme mithilfe global-optimaler Optimierungsalgorithmen in einem Spannungsfeld zwischen der Nutzung effizienter Lösungsalgorithmen, einer effizienten Modellentwicklung und einer zweckmäßigen Approximation der relevanten Wirklichkeit mithilfe des entwickelten Systemmodells statt. Oben benannte Punkte werden in der Arbeit daher adressiert. Anhand von zwei technischen Systemen wird aufgezeigt, wie eine gemischt-ganzzahlige nichtlineare Modellierung zum konzeptionellen Design unter Unsicherheit genutzt werden kann. Betrachtet werden als Anwendungsfälle die dezentrale Wasserversorgung in Hochhäusern sowie der Antriebsstrang von batterieelektrisch betriebenen Fahrzeugen mit Mehrganggetriebe. Die entwickelten gemischt-ganzzahligen Programme werden mithilfe gängiger Software gelöst. Um die Lösungszeit zur Auffindung effizienter Lösungen zu reduzieren, werden darüber hinaus für beide Anwendungsfälle neue problemspezifische Heuristiken vorgestellt. Zur Beherrschung der Unsicherheit wird die Nutzungsphase in beiden Anwendungsfällen mithilfe von Szenarien in einem deterministischen Äquivalent eines stochastischen Optimierungsprogramms abgebildet. Für den Anwendungsfall Antriebsstrangauslegung wird ein neues Verfahren zur automatisierten Erstellung von Szenarien basierend auf einem Ansatz des unüberwachten Lernens vorgestellt. Für den Anwendungsfall Wasserversorgung wird auf die algorithmische Auslegung resilienter Systeme eingegangen. Für beide Anwendungsfälle werden die Effizienzgewinne durch die beschriebene systematische Auslegung quantifiziert und am Beispiel der Antriebsstrangauslegung wird eine Verifikation des Modells vorgestellt. Darüber hinaus wird ein allgemein gültiger Modellierungs- und Lösungsansatz aufgezeigt, der auf geometrischer Programmierung beruht. In der Literatur wurde diese Modellierung bisher vorwiegend bei Modellen mit kontinuierlichen Variablen eingesetzt. Für die Antriebsstrangauslegung wird gezeigt, wie dieser Ansatz auch bei Modellen mit gemischt-ganzzahligen Variablen eingesetzt werden kann. Zur Lösung des jeweils zugrunde liegenden gemischt-ganzzahligen Programms wird ein Lösungsalgorithmus basierend auf einer Generalisierten Benders Dekomposition vorgestellt. Im Vergleich zur vollständigen Enumeration der diskreten Variablen kann gezeigt werden, dass der Ansatz die global-optimale Lösung bei deutlich geringerer Lösungszeit findet.

Alternative Abstract:
Alternative AbstractLanguage

This dissertation is located within the Collaborative Research Center 805 at the Chair of Fluid Systems within the Department of Mechanical Engineering at TU Darmstadt. It examines the conceptual design of technical systems under consideration of uncertainty with the help of exact optimization algorithms. These are particularly suitable for a systematic design, since they lead to the identification of globally optimal system structures and thus reduce structural uncertainty. The system design optimized with respect to a defined objective function depends significantly on the selected parameterization. However, since this parameterization is subject to uncertainty during the conceptual design, the use of a different parameterization usually results in different solution structures. Furthermore, the search for solutions for technical system designs is situated within a field of conflicting goals. These are the use of efficient solution algorithms, an efficient model development and an appropriate approximation of the relevant reality with the help of the developed system model. These above-mentioned points are addressed in the thesis. Based on two technical systems, it is shown how mixed-integer nonlinear modeling can be used for conceptual design under uncertainty. The use cases considered are a decentralized water distribution system in high-rise buildings and the powertrain of battery electric vehicles with a multi-speed transmission. The developed mixed-integer programs are solved with the help of common software. Furthermore, in order to reduce the solving time for finding efficient solutions, new problem-specific heuristics are presented for both use cases. To master uncertainty, the usage phase is modeled with multiple scenarios within a deterministic equivalent of a stochastic optimization program each in both use cases. For the powertrain design use case, a new method for an automatic generation of scenarios based on an unsupervised learning approach is presented. For the water supply use case, the algorithmic design of resilient systems is addressed. For both use cases, the efficiency gains realized by the described systematic design are quantified. Additionally, a verification of the model is presented for the powertrain design. Furthermore, a generally applicable modeling and solving approach is shown, which is based on geometric programming. In the literature, this modeling approach has so far mainly been used for models with continuous variables. For the powertrain design, it is shown how this approach can also be used for models with mixed integer variables. For the solution of the respective underlying mixed-integer program, a solution algorithm based on a Generalized Benders Decomposition is presented. In comparison to the complete enumeration of the discrete variables, it can be shown that the approach finds the global-optimal solution with significantly less solution time.

English
Uncontrolled Keywords: Water Distribution System, Powertrain, Technical Systems
Status: Postprint
URN: urn:nbn:de:tuda-tuprints-234032
Additional Information:

Zugl. Dissertation TU Darmstadt, erscheint auch im Shaker Verlag in der Reihe Forschungsberichte zur Fluidsystemtechnik Band 32, ISBN 978-3-8440-8912-7

Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 16 Department of Mechanical Engineering > Institute for Fluid Systems (FST) (since 01.10.2006)
16 Department of Mechanical Engineering > Institute for Fluid Systems (FST) (since 01.10.2006) > Sustainable System Design
Date Deposited: 27 Mar 2023 12:17
Last Modified: 09 Jul 2024 09:01
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/23403
PPN: 506341690
Export:
Actions (login required)
View Item View Item