Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten
Formoptimierung bezeichnet die Bestimmung der Geometrischen Gestalt eines Gebietes auf dem eine partielle Differentialgleichung (PDE) wirkt, sodass bestimmte gegebene Zielgrößen, welche von der Lösung der PDE abhängen, Extrema annehmen. Bei der Diskret Adjungierten Methode wird der Gradient einer Zi...
Main Author: | |
---|---|
Other Authors: | |
Format: | Dissertation |
Language: | English |
Published: |
2010
|
Subjects: | |
Online Access: | http://nbn-resolving.de/urn:nbn:de:bsz:ch1-201000390 https://monarch.qucosa.de/id/qucosa%3A19289 https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-0/ https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-1/ |
id |
ndltd-DRESDEN-oai-qucosa-de-qucosa-19289 |
---|---|
record_format |
oai_dc |
collection |
NDLTD |
language |
English |
format |
Dissertation |
sources |
NDLTD |
topic |
info:eu-repo/classification/ddc/500 ddc:500 info:eu-repo/classification/ddc/510 ddc:510 Adaptives Verfahren Adjungierte Differentialgleichung Finite-Elemente-Methode Gestaltoptimierung Lamé-Gleichung Finite Elemente Methode FEM Finite element method Formoptimierung adaptive Netzverfeinerung adaptive mesh refinement discrete adjoint diskrete Adjungierte shape optimization |
spellingShingle |
info:eu-repo/classification/ddc/500 ddc:500 info:eu-repo/classification/ddc/510 ddc:510 Adaptives Verfahren Adjungierte Differentialgleichung Finite-Elemente-Methode Gestaltoptimierung Lamé-Gleichung Finite Elemente Methode FEM Finite element method Formoptimierung adaptive Netzverfeinerung adaptive mesh refinement discrete adjoint diskrete Adjungierte shape optimization Günnel, Andreas Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
description |
Formoptimierung bezeichnet die Bestimmung der Geometrischen Gestalt eines Gebietes auf dem eine partielle Differentialgleichung (PDE) wirkt, sodass bestimmte gegebene Zielgrößen, welche von der Lösung der PDE abhängen, Extrema annehmen. Bei der Diskret Adjungierten Methode wird der Gradient einer Zielgröße bezüglich einer beliebigen Anzahl von Formparametern mit Hilfe der Lösung einer adjungierten Gleichung der diskretisierten PDE effizient ermittelt. Dieser Gradient wird dann in Verfahren der numerischen Optimierung verwendet um eine optimale Lösung zu suchen.
Da sowohl die Zielgröße als auch der Gradient für die diskretisierte PDE ermittelt werden, sind beide zunächst vom verwendeten Netz abhängig. Bei groben Netzen sind sogar Unstetigkeiten der diskreten Zielfunktion zu erwarten, wenn bei Änderungen der Formparameter sich das Netz unstetig ändert (z.B. Änderung Anzahl Knoten, Umschalten der Konnektivität). Mit zunehmender Feinheit der Netze verschwinden jedoch diese Unstetigkeiten aufgrund der Konvergenz der Diskretisierung.
Da im Zuge der Formoptimierung Zielgröße und Gradient für eine Vielzahl von Iterierten der Lösung bestimmt werden müssen, ist man bestrebt die Kosten einer einzelnen Auswertung möglichst gering zu halten, z.B. indem man mit nur moderat feinen oder adaptiv verfeinerten Netzen arbeitet.
Aufgabe dieser Diplomarbeit ist es zu untersuchen, ob mit gängigen Methoden adaptiv verfeinerte Netze hinreichende Genauigkeit der Auswertung von Zielgröße und Gradient erlauben und ob eventuell Anpassungen der Optimierungsstrategie an die adaptive Vernetzung notwendig sind. Für die Untersuchungen sind geeignete Modellprobleme aus der Festigkeitslehre zu wählen und zu untersuchen. === Shape optimization describes the determination of the geometric shape of a domain with a partial differential equation (PDE) with the purpose that a specific given performance function is minimized, its values depending on the solution of the PDE. The Discrete Adjoint Method can be used to evaluate the gradient of a performance function with respect to an arbitrary number of shape parameters by solving an adjoint equation of the discretized PDE. This gradient is used in the numerical optimization algorithm to search for the optimal solution.
As both function value and gradient are computed for the discretized PDE, they both fundamentally depend on the discretization. In using the coarse meshes, discontinuities in the discretized objective function can be expected if the changes in the shape parameters cause discontinuous changes in the mesh (e.g. change in the number of nodes, switching of connectivity). Due to the convergence of the discretization these discontinuities vanish with increasing fineness of the mesh.
In the course of shape optimization, function value and gradient require evaluation for a large number of iterations of the solution, therefore minimizing the costs of a single computation is desirable (e.g. using moderately or adaptively refined meshes).
Overall, the task of the diploma thesis is to investigate if adaptively refined meshes with established methods offer sufficient accuracy of the objective value and gradient, and if the optimization strategy requires readjustment to the adaptive mesh design. For the investigation, applicable model problems from the science of the strength of materials will be chosen and studied. |
author2 |
Meyer, Arnd |
author_facet |
Meyer, Arnd Günnel, Andreas |
author |
Günnel, Andreas |
author_sort |
Günnel, Andreas |
title |
Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
title_short |
Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
title_full |
Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
title_fullStr |
Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
title_full_unstemmed |
Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten |
title_sort |
adaptive netzverfeinerung in der formoptimierung mit der methode der diskreten adjungierten |
publishDate |
2010 |
url |
http://nbn-resolving.de/urn:nbn:de:bsz:ch1-201000390 https://monarch.qucosa.de/id/qucosa%3A19289 https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-0/ https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-1/ |
work_keys_str_mv |
AT gunnelandreas adaptivenetzverfeinerunginderformoptimierungmitdermethodederdiskretenadjungierten |
_version_ |
1719393046858039296 |
spelling |
ndltd-DRESDEN-oai-qucosa-de-qucosa-192892021-03-30T05:06:00Z Adaptive Netzverfeinerung in der Formoptimierung mit der Methode der Diskreten Adjungierten urn:nbn:de:bsz:ch1-201000390 eng Formoptimierung bezeichnet die Bestimmung der Geometrischen Gestalt eines Gebietes auf dem eine partielle Differentialgleichung (PDE) wirkt, sodass bestimmte gegebene Zielgrößen, welche von der Lösung der PDE abhängen, Extrema annehmen. Bei der Diskret Adjungierten Methode wird der Gradient einer Zielgröße bezüglich einer beliebigen Anzahl von Formparametern mit Hilfe der Lösung einer adjungierten Gleichung der diskretisierten PDE effizient ermittelt. Dieser Gradient wird dann in Verfahren der numerischen Optimierung verwendet um eine optimale Lösung zu suchen. Da sowohl die Zielgröße als auch der Gradient für die diskretisierte PDE ermittelt werden, sind beide zunächst vom verwendeten Netz abhängig. Bei groben Netzen sind sogar Unstetigkeiten der diskreten Zielfunktion zu erwarten, wenn bei Änderungen der Formparameter sich das Netz unstetig ändert (z.B. Änderung Anzahl Knoten, Umschalten der Konnektivität). Mit zunehmender Feinheit der Netze verschwinden jedoch diese Unstetigkeiten aufgrund der Konvergenz der Diskretisierung. Da im Zuge der Formoptimierung Zielgröße und Gradient für eine Vielzahl von Iterierten der Lösung bestimmt werden müssen, ist man bestrebt die Kosten einer einzelnen Auswertung möglichst gering zu halten, z.B. indem man mit nur moderat feinen oder adaptiv verfeinerten Netzen arbeitet. Aufgabe dieser Diplomarbeit ist es zu untersuchen, ob mit gängigen Methoden adaptiv verfeinerte Netze hinreichende Genauigkeit der Auswertung von Zielgröße und Gradient erlauben und ob eventuell Anpassungen der Optimierungsstrategie an die adaptive Vernetzung notwendig sind. Für die Untersuchungen sind geeignete Modellprobleme aus der Festigkeitslehre zu wählen und zu untersuchen. Shape optimization describes the determination of the geometric shape of a domain with a partial differential equation (PDE) with the purpose that a specific given performance function is minimized, its values depending on the solution of the PDE. The Discrete Adjoint Method can be used to evaluate the gradient of a performance function with respect to an arbitrary number of shape parameters by solving an adjoint equation of the discretized PDE. This gradient is used in the numerical optimization algorithm to search for the optimal solution. As both function value and gradient are computed for the discretized PDE, they both fundamentally depend on the discretization. In using the coarse meshes, discontinuities in the discretized objective function can be expected if the changes in the shape parameters cause discontinuous changes in the mesh (e.g. change in the number of nodes, switching of connectivity). Due to the convergence of the discretization these discontinuities vanish with increasing fineness of the mesh. In the course of shape optimization, function value and gradient require evaluation for a large number of iterations of the solution, therefore minimizing the costs of a single computation is desirable (e.g. using moderately or adaptively refined meshes). Overall, the task of the diploma thesis is to investigate if adaptively refined meshes with established methods offer sufficient accuracy of the objective value and gradient, and if the optimization strategy requires readjustment to the adaptive mesh design. For the investigation, applicable model problems from the science of the strength of materials will be chosen and studied. info:eu-repo/classification/ddc/500 ddc:500 info:eu-repo/classification/ddc/510 ddc:510 Adaptives Verfahren Adjungierte Differentialgleichung Finite-Elemente-Methode Gestaltoptimierung Lamé-Gleichung Finite Elemente Methode FEM Finite element method Formoptimierung adaptive Netzverfeinerung adaptive mesh refinement discrete adjoint diskrete Adjungierte shape optimization Günnel, Andreas Meyer, Arnd Schneider, René Technische Universität Chemnitz 2010-04-15 2010-01-22 info:eu-repo/semantics/openAccess doc-type:masterThesis info:eu-repo/semantics/masterThesis doc-type:Text https://monarch.qucosa.de/id/qucosa%3A19289 https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-0/ https://monarch.qucosa.de/api/qucosa%3A19289/attachment/ATT-1/ |