Simulationstechnik I Einführung in die Simulationstechnik

Simulationstechnik I Einführung in die Simulationstechnik -- Ringvorlesung -- Dr.-Ing. Bernd Binninger (Koordinator) und viele Mitwirkende Vorlesung, Wintersemester 2005/06 Übung, Sommersemester 2006

Allgemeine Informationen Termin: Freitag.: 10.00 11.30 Uhr 14täglich, H 212 Koordinator: Dr.-Ing. Bernd Binninger ITV, Raum 217 Tel.: 809 4617 B.Binninger@itv.rwth-aachen.de Skript: bisher keines, aber eine Reihe von schriftlichen Unterlagen zur Vor- und Nachbereitung des Vorlesungsstoffes Die Unterlagen zu dieser Vorlesung finden Sie unter http://www.ces.rwth-aachen.de/ http://www.lpt.rwth-aachen.de/studium/vorlesungen/ 1

Konzept der Ringvorlesung Ziel: Schnupper- und Motivationsveranstaltung Teil I, Vorlesung (WS) Anwendungen der Simulation in den Ingenieurwissenschaften Was ist Simulation? Bedeutung, Vorgehensweisen, Aufgaben Welche Aufgabenstellungen werden durch Simulation bearbeitet? Vorstellung von Arbeitsgebieten und Anwendungsbeispielen Einblick in die Forschungsarbeiten ausgewählter Institute Teil II, Übung (SS) Wie bearbeitet man Simulationsaufgaben? Einarbeitung in das Simulationswerkzeug Matlab/Simulink und praktische Arbeit damit Bearbeitung verschiedener Probleme aus der Mechanik, der Thermodynamik, der Produktionstechnik und der Energie- & Verfahrenstechnik 2

Simulationstechnik I Einführung in die Simulationstechnik Vorlesung 1 der Ringvorlesung Prof. Dr.-Ing. Wolfgang Marquardt Lehrstuhl für Prozesstechnik www.lpt.rwth-aachen.de Vorlesung, Wintersemester 2005/06 Übung, Sommersemester 2006

Was ist Simulation? Simulation Experimente im virtuellen Labor das Experiment im Rechner die dritte Säule der Wissenschaft neben Theorie und Experiment Problem Modell Simulator Experimentierapparat Technisch- Wissenschaftliche Aufgabenstellung Abstraktion der Realität 4

Wir alle kennen Simulationen... Flugsimulatoren, Fahrsimulatoren, Schiffssimulatoren zur Ausbildung von Piloten, Autofahrern, Schiffsführern Kraftwerk- oder Chemieanlagensimulatoren zur Ausbildung von Kraftwerks- oder Anlagenpersonal Wettervorhersage Weltmodelle z.b. Meadows et al., Die Grenzen des Wachstums. Bericht des Club of Rome zur Lage der Menschheit, DVA, 2000 Computerspiele 5

Flugsimulator 6

Was ist Rechner-Simulation? Definition 1 (Shannon, 1975) Simulation is the process of designing a model of a real system and conducting experiments with this model for the purpose either of understanding the behavior of the system and its underlying causes or of evaluating various designs of an artificial system or strategies for the operation of the system. 7

Was ist Rechner-Simulation? Definition 2 (VDI-Richtlinie 3633) Simulation ist ein Verfahren zur Nachbildung eines Systems mit seinen dynamischen Prozessen in einem experimentierbaren Modell, um zu Erkenntnissen zu gelangen, die auf die Wirklichkeit übertragbar sind. Im weiteren Sinne wird unter Simulation das Vorbereiten, Durchführen und Auswerten gezielter Experimente mit einem Simulationsmodell verstanden. Mit Hilfe der Simulation kann das zeitliche Ablaufverhalten komplexer Systeme untersucht werden (Simulationsmethode). 8

Warum Rechner-Simulation? In einer immer komplexeren Welt brauchen wir manchmal neue Antworten auf alte Fragen. 9

Warum Rechner-Simulation? Karl Ganzhorn, IBM (IBM Nachrichten, 1982): Models and simulation techniques are considered the most important area of future informations processing in technology, economy, administration, society, and politics. Ralph P. Schlenker, Exxon (Conference of Foundations of Computer-Aided Process Operations, 1987): Modeling and simulation technology are keys to achieve manufacturing excellence and to assess risk in unit operation.... As we make our plant operations more flexible to respond to business opportunities, efficient modeling and simulation techniques will become commonly used tools. einfacher schneller wirtschaftlicher weniger gefährlich für Mensch und Umwelt 10

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 11

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 12

Modellbildung als Abstraktion Modellierung ist eine zielgerichtete Vereinfachung der Realität durch Abstraktion. Wahrnehmung Modellierung objektive Realität subjektive Realität Modell der Realität unbewusste Abstraktion bewusste Abstraktion 13

Modelle Definition nach Minsky (1965) Ein Objekt M ist ein Modell eines Objekts A für einen Beobachter B in dem Maße, wie er M nutzen kann, um Fragen zu beantworten, die ihn an A interessieren. M 1 M 2 B 1 B 2 A 14

Modellbildung durch Abstraktion Abstraktion in zwei Schritten strukturelle Abstraktion Identifikation der abgrenzbarer Teile und ihrer Verknüpfungen des betrachteten Systems Qualitatives Wissen phänomenologische Abstraktion Identifikation der physikalischen, chemischen oder biologischen Vorgänge, welche in den Teilsystemen und deren Verknüpfungen ablaufen Quantitatives Wissen 15

Beispiel: Vertikalbewegung eines Kraftfahrzeugs y A ( t) y y R ( t) v = const y ( z) = y ( vt) y ( t) S S = S z = v t y A : Position des Aufbaus y R : Position des Rades y S : Anregung durch Straße A: Aufbau R: Rad S: Straße 16

Strukturmodell (Ersatzbild) des Fahrzeugs Strukturelle Abstraktion Aufbau m >> m A R y A Radaufhängung c A d Rad / Achse m R = m y R = y Reifen / Straße c R y S 17

Verhaltensmodell des Fahrzeugs Phänomenologische Abstraktion m A >> m R Aufbau: sehr große Masse und Trägheit, nur kleine Bewegungen c A d Radaufhängung: Kraftübertragung, Feder und Dämpfer m R = m Rad-Achse: kleine Masse und Trägheit, Bewegung durch Anregung der Straße c R Reifen: Kraftübertragung, Feder Newtonsches Gesetz und konstitutive Gleichungen führen auf mathematisches Modell 18

Mathematisches Modell des Fahrzeugs Newtonsches Gesetz und konstitutive Gleichungen führen auf mathematisches Modell m A >> m R m y && y = d A( y& A y& R ) ca( ya yr ) = y, y& (0 = y& A A A( 0) A0 A ) A0 c A m R = m d m y R && y R = d A( y& R y& A) ca( yr ya) cr( yr ys ) = y, y& (0 = y& R ( 0) R0 R ) R0 c R Vereinfachungen? 19

The DON Ts of Mathematical Modelling S. W. Golomb, Simulation 14 (1970), 197-198. DON T believe that the model is the reality DON T extrapolate beyond the region of fit DON T distort reality to fit the model DON T retain a discredited model DON T fall in love with your model 20

DON T believe that the model is the reality Rene Magritte (1928/29): La trahison des images Der Verrat der Bilder, Das ist keine Pfeife Quelle:http://en.wikipedia.org/wiki/Image:MagrittePipe.jpg 21

DON T fall in love with your own model Spiegel-Online vom 20. Okt. 2005 Indischer Wahrsager sagt eigenen Tod voraus... und überlebt Für lange Gesichter hat die Prophezeiung eines indischen Wahrsagers gesorgt. Der Mann hatte seinen eigenen Tod vorausgesagt, und Hunderte wollten zusehen. Doch das Vorhaben ging gründlich schief. Tarokarte Quelle:http://www.kartenlegenlive.de/tarot [ ] Bei anderen Prophezeiungen habe der Mann angeblich bislang nie falsch gelegen. Familienmitglieder versuchten sich in Erklärungen: Dieses Mal habe die Voraussage nicht in Erfüllung gehen können, weil viele der Zuschauer für sein Leben gebetet hätten. Für einen Selbstmord fehlte Malviya wiederum die Gelegenheit - die Polizei ließ sein Haus überwachen, in das er sich vor dem angekündigten Todeszeitpunkt zwischen 15 und 17 Uhr Ortszeit zum Meditieren zurückgezogen hatte. Millionen von Menschen in Indien lassen sich von Astrologen ihre Zukunft voraussagen und glauben an deren Prophezeiungen. Sollten die Vorhersagen nicht wahr werden, kann der Zorn allerdings groß werden: Andere Astrologen, die vor Malviya ihren eigenen Tod ankündigten und trotzdem weiterlebten, wurden von wütenden Menschenmengen mitunter heftig verprügelt. 22

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 23

Modellanalyse Numerik Programmierung Modellanalyse Eigenschaften des Modells verstehen, um die Gleichungen geschickt aufschreiben zu können, das richtige Lösungsverfahren auszuwählen. Numerik Lösung der mathematischen Modellgleichungen analytische Lösungen sind fast nie möglich, stattdessen stets numerische Näherungslösungen Programmierung Codierung des mathematischen Modells in Software Nutzung von angepassten Sprachen und Werkzeugen 24

Aufbau eines Simulationswerkzeugs Modellerstellung Benutzer Ergebnisanalyse Benutzeroberfläche n x / a Modell- u. Methodenbank Experimentdefinition Ergebnisdatenbank 25

Simulationswerkzeug Matlab/Simulink Beispiel: Vertikalbewegung eines Fahrzeugs 26

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 27

Starke Dämpfung Simulationsstudie Schwache Dämpfung Bordstein Rad Karosserie 28

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 29

Vergleich von Simulation und Realität Durchführung von Fahrexperimenten gleiche Bedingungen in Simulation und Realität Messfehler und Modellfehler führen zu Abweichungen Position, Geschwindigkeit,... Messung Rechnung Modellfehler aus struktureller Abstraktion (Zahl und Aufbau der Gleichungen) oder phänomenologischer Abstraktion (Aufbau der Gleichungen, Parameter) Zeit 30

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 31

Prinzipielles Vorgehen bei der Parameteranpassung n u Reales System y + + Modell ŷ - + e p Parameteranpassung Q Fehlerbewertung 32

Vorgehensmodell zur Simulation Problem Modell Modellbildung Modellanalyse Numerik/Programmierung Simulator Identifikation gute Modellstruktur schlechte Modellstruktur Simulation Simulations ergebnisse Analyse Parameter/Modell Vergleich Sim.-Ergebnis/Realität gute Abbildung Anwendung des Simulators Problemlösung schlechte Abbildung 33

Überprüfung des Modells Problem Modell Progammierung Simulator 34 Modell-Validierung Modell-Eignung Simulationsexperiment Modellbildung Modell-Verifikation

Anwendungsklassen Vorhersage des Verhaltens und Bewertung während des Entwurfs System (Kraftfahrzeug) Regelung und Steuerung OFF-Line Training Bedienungspersonal Fahrzeugführer ON-Line Vorhersage des Betriebsverhaltens Szenarien zur Analyse von Betriebseingriffen 35

Beispiel: Roboter Aufgabe: Präziser Transport von Bauteilen, wie z.b. bei Einsetzen einer PKW - Windschutzscheibe Ziele: Kurze Taktzeiten für Produktion, Vermeidung fehlerhafter Montage. Minimierung der Transportzeit durch Optimierung der Armbewegung. Quelle: FG Simulation und Systemoptimierung, TU Darmstadt; Kuka Roboter GmbH 36

Beispiel: Space Shuttle Aufgabe: Sicherer Wiedereintritt einer Raumfähre in die Atmosphäre Ziele: Bestimmung eines optimalen Eintrittswinkels in Abhängigkeit der Luftdichte. Vermeidung von starken Wellenbewegung und Temperaturspitzen. Quelle: Institut für Mathematik, TU Clausthal 37

Beispiel: Kohlenstaubverbrennung 1900 [K] 980 Aufgabe: Untersuchung der Kohlenstaubverbrennung unter Druck Ziele: Optimierter Strömungsverlauf Reduzierte thermische Belastung des Wandbereiches 298 Vollständige, zuverlässige Verbrennung Temperaturverteilung Geschwindigkeitsvektoren Reduktion Brennstoffverbrauch Quelle: Lehrstuhl für Wärmeübertragung und Klimatechnik, RWTH-Aachen 38

Beispiel: Steamcracker 100 m Ludwigshafen II 400.000 t Ethylen /Jahr 39

Beispiel: Steamcracker (II) Aufgabe: Produktion von Ethylen aus Rohölfraktion Verkokung Rohrreaktor Ziele: Wirtschaftlicher Betrieb der Anlage (z.b. geringer Energieverbrauch) Sicherheit (z.b. Berücksichtigung von Explosionsgrenzen) Optimierte Betriebsführung Flexibilität (z.b. sich ändernde Rohölqualität) Quelle: Birk et al., BASF AG 40

Potenziale und Probleme POTENZIALE Erfassung der Systemkomplexität Alternative zu Realexperimenten Entscheidungshilfe Integrationsmöglichkeiten Anregung zur Datenerfassung mangelnde Transparenz Datenmangel Modellbildung u. Simulation erhöhtes Systemverständnis Realitätsferne hoher Konstruktionsaufwand Fehleranfälligkeit PROBLEME Gleichsetzung von Modell und Realität 41