Hallo Herr Prof. Garcke, unabhängig davon, ob real vor laufenden Kameras oder als Computersimulation - Crashtests für Automobile sind längst Standard. Was reizt Sie und Ihr Team am Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI daran, in diesem Bereich zu forschen?

Bei der visuellen Auswertung sehen Sie zwar, wie sich einzelnen Teile und natürlich auch das Fahrzeug an sich verformen. Aber Sie sehen das Crashverhalten sozusagen nur auf den »ersten Blick«. Darüber hinaus gewinnen wir eine Unzahl von Daten, die uns einen deutlich umfangreicheren Einblick erlauben – wenn wir sie entsprechend aufbereiten könnten. Die Entwicklung in diesem Bereich voranzutreiben, reizt uns.

Der Begriff Unzahl ist nicht sonderlich wissenschaftlich …

... aber er veranschaulicht ein zentrales Problem. Die Datenmenge ist, allein wegen der Abhängigkeit der Verformung eines Bauteils durch ein anderes, hoch komplex und entsprechend schwer zu verarbeiten. Bei einem einzigen Simulationslauf arbeiten wir allein bei der Startkonfiguration mit rund einem halben bis zwei Gigabyte an Daten. Nach einer Simulationsstudie wächst dieser Datenberg leicht auf über 100 Gigabyte an. Und weil Entwicklungsingenieure mehrere Designphasen benötigen, entstehen Datenmengen, die im Terrabytebereich liegen.

Und die schnell ausgewertet müssen?

Ja natürlich, es macht ja keinen Sinn stundenlang auf neue Analyseergebnisse zu warten, wenn eine Kleinigkeit am Design geändert wurde.

Aber das sind Aufgaben, die herkömmliche Programme im Grunde schon bewältigen. Deshalb sind sie in den Testzentren der Automobilindustrie hundertfach im Einsatz.

Natürlich haben die Simulationsergebnisse dieser Programme eine gewichtige Bedeutung. Aber sie können nur sinnvoll eingesetzt werden, wenn lediglich einfache Kenngrößen untersucht werden. Wird es komplizierter, dann können gegenwärtige Programme die damit verbundene Datenfülle kaum mehr in einer akzeptablen Zeit verarbeiten.

Was ist der Unterschied zwischen einer »einfachen« und einer »nicht-einfachen« Kenngröße?

Zu einfachen Kenngrößen gehören etwa Beschleunigung, Kurven oder die Verformung an wenigen ausgewählten Punkten der Stirnwand, die zwischen Fahrgastzelle und Motorblock liegt. Der entscheidende Punkt dabei aber ist: hier werden pro Einheit nur verhältnismäßig wenige Punkte berechnet. Die genauen Vorkommnisse zwischen zwei Punkten bei einem Crash sind also nicht offensichtlich. Betrachtet man aber beispielsweise bei einem Längsträger nicht nur einige Punkte, die seine Verformung definieren, sondern bemüht sich, die Veränderung der kompletten Geometrie zu analysieren, ist das Ergebnis wesentlich aussagekräftiger. Aber die Berechnung ist auch ungleich komplizierter, weil die Datenmenge so hoch ist.

Ihr Ziel ist deshalb die Reduktion der Datenmenge – ohne, dass das Ergebnis an Aussagekraft verliert.

Richtig. Wir haben ein spezielles Verfahren des Maschinellen Lernens (ML) entwickelt, mit dem wir die Daten reduzieren können. Der Clou dieser nichtlinearen Dimensionsreduktion ist, nicht alle Kennzahlen zu verwenden, sondern das ML-Verfahren einzusetzen, um die Berechnungen auf die wesentlichen, also aussagekräftigen Kennzahlen zu reduzieren. Ich will versuchen, das an einem Beispiel zu verdeutlichen: Jeder Gegenstand in einem Fahrzeug verfügt über eine komplexe Geometrie, die mit einer Vielzahl an Gitterpunkten dargestellt wird. Uns ist es nun gelungen für diese Geometriedaten eine bessere Darstellung zu finden. Wir können nun die Geometrie – und damit auch die Vorgänge bei einer Verformung durch einen Crash - mit weniger Werten aber aussagekräftiger als bislang beschreiben.

Aufbauend auf dieser Vorgehensweise haben Sie und ihr Team eine Methode entwickelt, die nur noch wenige Komponenten berechnet und eine sehr effiziente Darstellung des Verhaltens von Bauteilen erlaubt.

Wir können nun mit »vereinfachten Mitteln« beispielsweise die Rotation eines Bauteils oder die lokale Verformung in einem Bereich dieses Teils umfangreich analysieren beziehungsweise visualisieren. Entwicklungsingenieuren ist es damit möglich, ihre Untersuchung sehr effizient durchzuführen, denn alle Simulationen können nun mithilfe dieser elementaren Komponenten dargestellt und verglichen werden.

Das gilt vermutlich vor allem für den zeitlichen Ablauf einer Simulation?

Eine Simulation macht nur Sinn, wenn einzelne Vorgänge vollständig beobachtet werden können. Bei einem virtuellen Crash sind mindestens 100 zeitliche Zwischenschritte nötig, um eine aussagekräftige Sequenz zu berechnen. Mit unserer Methode wird es nun erstmals möglich, alle nötigen Schritte zu berechnen und zu betrachten. Die zeitliche Entwicklung lässt sich so gängig darstellen.

Gehen Sie davon aus, dass das Projekt so weit abgeschlossen ist, dass es in der Industrie eingesetzt werden kann?

Wir haben bereits umfangreiche Gespräche mit einzelnen Automobilherstellern geführt und haben positive Rückmeldungen. Ich denke aber, dass wir noch einiges an Entwicklungszeit investieren müssen bis die Methodik marktreif ist.  (aku)

Materialeigenschaften durchgängig zu simulieren, ist ein verwandtes Forschungsgebiet, ohne die dieses Projekt nicht auskommt. In Verbindung mit PKWs haben wir darüber in der Vergangenheit schon berichtet.