Benutzer: Gast  Login
Originaltitel:
Finite Element Method Integrated Networks (FEMIN):
Originaluntertitel:
Accelerating FEM Crash Simulations with Neural Networks
Übersetzter Titel:
Finite Element Methode Integrierte Netzwerke (FEMIN):
Übersetzter Untertitel:
Beschleunigen von FEM Crashsimulationen mit Neuronalen Netzwerken
Autor:
Thel, Simon Jowe
Jahr:
2026
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 11 - Lehrstuhl für Angewandte Informatik / Kooperative Systeme (N.N.)
Betreuer:
Groh, Georg (Prof. Dr.)
Gutachter:
Groh, Georg (Prof. Dr.); van der Smagt, Patrick (Prof. Dr.)
Sprache:
en
Fachgebiet:
TEC Technik, Ingenieurwissenschaften (allgemein)
Stichworte:
Finite Element Method; Neural Networks; Structural Dynamics; Vehicle Crash Simulation
Übersetzte Stichworte:
Finite Elemente Methode; Neuronale Netzwerke; Strukturdynamik; Fahrzeugcrashsimulation
TU-Systematik:
DAT 600
Kurzfassung:
FEM is the standard method for vehicle crash simulations, but it has a high computational cost. Iterative design changes necessitate repeated full simulations, creating bottlenecks. This thesis introduces Finite Element Method Integrated Networks (FEMIN), using neural networks to replace large unchanged mesh regions for acceleration while preserving accuracy. Replacing 77.1% of the elements in a full vehicle simulation reduced time by 68.9% (19.6h to 6.1h) with 0.14mm median deformation error.
Übersetzte Kurzfassung:
Die FEM ist das Standardverfahren für Fahrzeugcrash-Simulationen, hat jedoch einen hohen Rechenaufwand. Diese Arbeit stellt Finite Element Method Integrierte Netzwerke (FEMIN) vor, bei denen neuronale Netze große unveränderte Teile des FEM-Netzes ersetzen, ohne die Genauigkeit zu beeinträchtigen. Durch das Ersetzen von 77,1 % der Elemente in einer Fahrzeugsimulation konnte die Zeit um 68,9 % (von 19,6h auf 6,1h) reduziert werden, bei einem Verformungsfehlermedian von 0,14 mm.
WWW:
https://mediatum.ub.tum.de/?id=1793120
Eingereicht am:
11.08.2025
Mündliche Prüfung:
25.03.2026
Dateigröße:
9378080 bytes
Seiten:
143
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260325-1793120-0-4
Veröffentlicht am:
26.05.2026
 BibTeX