Entwicklung eines virtuellen Betriebsfestigkeitsnachweises unter Berücksichtigung von nicht-deterministischen Eingangs- und Einflussparametern

Betriebsfestigkeitsnachweise im Automobilbereich beruhen traditionell auf experimentellen Absicherungen, die durch Simulationen unterstützt werden. Moderne Fahrzeugentwicklungsprozesse erfordern jedoch aufgrund wachsender Komplexität durch eine steigende Anzahl von Antriebskonzepten, kürzeren Entwicklungszeiten und Kosteneffizienz, einen höheren Virtualisierungsgrad mit robusten Simulationsmethoden. Besonders herausfordernd gestalten sich Betriebsfestigkeitsnachweise für dynamisch belastete Systeme, bei denen vibrationsinduzierte Wechselwirkungen zu Materialermüdungen führen. Dabei kann Unsicherheit in sensitiven Parametern, bedingt durch z. B. Streuungen in der Fertigung und den Materialien, zu unerwünschten Resonanzen führen. Dadurch kann die Lebensdauer deutlich reduziert werden. Unsicherheit in der Betriebsfestigkeit wird gewöhnlich anhand eines deterministischen Sicherheitszuschlagskonzepts berücksichtigt, was häufig in einer konservativen Auslegung und Überdimensionierung resultiert. Demgegenüber bieten probabilistische Methoden das Potenzial vorhandene Unsicherheit detaillierter quantifizieren und deren Auswirkungen auf die Lebensdauervorhersage genauer abbilden zu können. Die vorliegende Arbeit präsentiert eine neuartige probabilistische Vorgehensweise zur Berücksichtigung von Unsicherheit in nicht-deterministischen Eingangs- und Einflussgrößen für die virtuelle Betriebsfestigkeitsbewertung von vibrationsbelasteten komplexen Fahrzeugsystemen. Der mehrstufige Ansatz umfasst dabei verschiedene Bestandteile. Zunächst werden mittels einer qualitativen Sensitivitätsanalyse auf Basis der Morris-Methode die dominanten Einflussgrößen identifiziert, um die Parameterdimensionalität zu reduzieren. Anschließend kommen Modellreduktionsverfahren wie die Component Mode Synthesis (CMS) oder Ersatzmodelle auf Basis von künstlichen neuronalen Netzen zum Einsatz, um die hohe Rechenintensität der strukturdynamischen Modelle zu bewältigen. Darauf aufbauend erfolgt eine inverse Parameterkalibrierung auf Basis des Bayes’schen Theorems und experimenteller Messdaten, um die Unsicherheit in den relevanten Einflussparametern zu quantifizieren. Abschließend werden die Auswirkungen der kalibrierten unsicheren Parameter auf die numerische Ermüdungslebensdauer und Ausfallwahrscheinlichkeit durch probabilistische Stichprobenverfahren wie der Monte-Carlo-Simulation und der Subset-Simulation untersucht. Die Leistungsfähigkeit und Praxistauglichkeit der entwickelten Methode werden anhand zweier Anwendungsbeispiele aufgezeigt. Zunächst wird ein kleineres Modell einer realen Fahrzeugkomponente betrachtet, bei dem eine Reduktion der Parameterdimensionalität erzielt und die Simulationsdauer um 85 % gesenkt werden konnte. Zudem konnte durch die inverse Parameterkalibrierung eine Unsicherheitsabnahme der berechneten Lebensdauer um bis zu 79,7 % verzeichnet werden. Die numerischen Ergebnisse konnten durch Vergleiche mit umfangreichen experimentellen Ermüdungsversuchen validiert werden. Darüber hinaus wird die Übertragbarkeit auf ein rechenintensives und komplexes Modell, bestehend aus einer halben Fahrzeugkarosserie mit diversen Anbauteilen, demonstriert. Die Parameterdimensionalität konnte signifikant reduziert und die Rechenzeit um 99,85 % verkürzt werden. Die Unsicherheitsquantifizierung führte zu einer um bis zu 84,97 % geringeren Streuung der berechneten Lebensdauer. Insgesamt stellt die entwickelte probabilistische Methode einen hilfreichen Beitrag dar, um die Zuverlässigkeit und Effizienz virtueller Betriebsfestigkeitsnachweise für vibrationsbelastete Fahrzeugsysteme zu steigern. Durch die systematische Berücksichtigung von Unsicherheit in streuenden Einflussparametern können die Risiken und Grenzen der numerischen Berechnungen besser eingeordnet und eine robustere Auslegung der Komponenten erreicht werden.

Structural durability evaluation in the automotive industry is usually based on experiments, supported by simulations. However, modern vehicle development processes are faced with increasing complexity arising from a growing number of powertrain concepts and the need for shorter development times and cost-efficiency. For this reason, a higher degree of virtualization with robust simulation methods is essential. Particularly, the structural durability assessment of systems subjected to vibrational loads are challenging due to the appearance of possible resonances. Thereby, uncertainty is typically considered by using a deterministic safety factor approach. This often results in incorporating weight and cost disadvantages. In contrast, probabilistic approaches provide the advantage of quantifying uncertainty more accurately. This research presents a novel probabilistic framework for consideration of uncertainty in aleatoric input and influence parameters for the virtual structural durability evaluation of complex vehicle systems subjected to vibrational loads. The approach comprises several key elements. First, a qualitative sensitivity analysis based on the Morris method is employed to identify influencing parameters, enabling a reduction in parameter dimensionality. Subsequently, model reduction techniques, such as Component Mode Synthesis (CMS) or artificial neural network-based surrogate models are used to overcome the high computational demands of the structural dynamic models. Furthermore, an inverse parameter calibration is performed using Bayesian inference and experimental data to quantify the uncertainty in the relevant parameters. Finally, the fatigue life and failure probability for the given calibrated uncertain parameters is computed by probabilistic sampling methods, such as Monte Carlo simulation and Subset simulation. The functionality and applicability of the developed method are demonstrated using two application examples. The first model consists of a small real vehicle component. A significant reduction in parameter dimensionality was achieved. Additionally, the simulation time was reduced by 85 %. Moreover, the uncertainty in the computed fatigue life was decreased by up to 79.7 % with the aid of the inverse parameter calibration. The numerical results were validated by experimental fatigue tests. The transferability of the approach to a computationally intensive and more complex model is shown using a half body-in-white vehicle model with various mounted components. The parameter dimensionality was significantly reduced, and the computation time was shortened by 99.85 %. The scatter of the predicted fatigue life was reduced to 84.97 % by quantifying the uncertainty through an inverse calibration of the sensitive parameters. Overall, the developed probabilistic method represents a useful contribution to enhancing the reliability and efficiency of virtual structural durability assessments for vehicle systems subjected to vibrational loads. By systematically considering the uncertainty in influencing parameters, the risks and limitations of numerical fatigue life predictions can be better understood, enabling a more robust design of components.