2023-10-272023-10-27https://hdl.handle.net/11420/43939In Branchen wie beispielweise der Luftfahrt ist es erforderlich, sicherheitskritische Strukturen so auszulegen, dass diese tolerant gegenüber Schäden sind. Eine Möglichkeit, dies zu gewährleisten, ist der Entwurf ausfallsicherer Strukturen, die auch dann noch die aufgebrachte Last tragen, wenn ein Strukturelement/Lastpfad versagt hat. In der Entwurfsoptimierung lässt sich die Forderung der Ausfallsicherheit beispielsweise als Nebenbedingung der Optimierung berücksichtigen. Dies macht die Optimierung aber derart rechenintensiv, dass ein solcher Ansatz nicht auf praxisrelevante Probleme angewendet werden kann. Insbesondere in der Topologieoptimierung, in der die Entwurfsfreiheit besonders hoch ist, muss eine extrem große Anzahl an Rechnungen durchgeführt werden, um alle Schadensszenarien zu berücksichtigen. Die Strukturen, die bei einer solchen Topologieoptimierung entstehen, haben global betrachtet ähnliche Lastpfade wie Strukturen, die ohne Berücksichtigung von Ausfallsicherheit optimiert werden. Jedoch haben die ausfallsicheren Strukturen mehrere Streben entlang der Hauptlastpfade und mehrere verbindende Elemente. Ein schneller und praktikabler Ansatz ist es, die Optimierung ohne Berücksichtigung von Ausfallsicherheit durchzuführen, um Hauptlastpfade zu bestimmen. Daraus lässt sich, basierend auf der Erfahrung des Konstrukteurs, ein Entwurf ableiten, dessen Lastpfade redundant sind. Ein solcher Entwurfsprozess ist somit auf die Erfahrung des Konstrukteurs angewiesen und insbesondere für die Topologieoptimierung aufgrund der Vielzahl möglicher Lösungen schwierig umzusetzen. Das Ziel des vorliegenden Antrags ist es, diesen Erfahrungsanteil im Entwurfsprozess durch ein künstliches neuronales Netz zu ersetzen. Dazu wird eine Vielzahl von Kombinationen unterschiedlicher Entwurfsräume, Randbedingungen und Belastungen betrachtet. Für jede Kombination wird sowohl eine „normale“ Topologieoptimierung als auch eine Topologieoptimierung unter Berücksichtigung von Ausfallsicherheit durchgeführt. Mit den so erzeugten Daten wird ein neuronales Netz trainiert. Bei der Auslegung einer neuen Struktur soll dann nur noch eine Topologieoptimierung ohne Berücksichtigung von Ausfallsicherheit durchgeführt werden. Die erhaltene Topologie ist Eingangsgröße des bereits trainierten neuronalen Netzes, welches eine redundante Topologie vorschlägt. Diese Topologie wird anschließend mit einem schnellen Ansatz zur Formoptimierung verfeinert. Während existierende Ansätze zur Topologieoptimierung unter Berücksichtigung von Ausfallsicherheit die Nachgiebigkeit als Zielfunktion betrachten, soll im vorliegenden Antrag auch hinsichtlich der Eigenfrequenzen optimiert werden. Dabei soll neben der klassischen Maximierung der kleinsten Eigenfrequenz auch die Reduktion von Änderungen der Eigenfrequenzen im Schadensfall als Zielfunktion betrachtet werden.In certain industries like the aerospace industry safety-critical components have to be designed so that they are damage tolerant. One way to ensure damage tolerance is a fail-safe design which is able to sustain the applied load even if one structural member/load path fails. The requirement for fail-safety can be embedded into design optimization as a constraint. However, the computational cost of solving such an optimization problem is too expensive to apply this approach to problems of industrial relevance. Especially in the context of topology optimization, which provides the highest design freedom, the number of simulations that need to be run in order to account for all damage scenarios is extremely high. The structures which result from such topology optimizations have similar global load paths as structures that are optimized without consideration of fail-safety. However, the fail-safe designs have multiple struts along the load paths and more connecting elements. One fast and practicable approach is to run an optimization without consideration of fail-safety to determine the main load paths. Then, based on the experience of the design engineer, a design with redundant load paths is derived. This design process is obviously dependent on the experience of the designer. This is a problem especially for topology optimization due to the large amount of possible solutions. The objective of the current proposal is to replace the engineering experience by an artificial neural network. For that, a large number of combinations of different design spaces, boundary conditions and loads is considered. For each combination, a “plain” topology optimization as well as a topology optimization considering fail-safety is performed. The obtained topologies serve as data for training an artificial neural network. When designing a new structure, only a topology optimization without consideration of fail-safety shall be conducted. The obtained topology is the input for the already trained artificial neural network, which then suggests a redundant topology. Afterwards, this topology is fine-tuned with a fast shape optimization approach. While existing approaches for topology optimization considering fail-safety regard the compliance as objective function, the current proposal also addresses eigenfrequencies. Here, the classical maximization of the minimum eigenfrequency is considered as objective as well as minimizing the change of eigenfrequencies in case of partial failure.