Neuronale Netze ersetzen AFT-Schema in der nichtlinearen Strukturdynamik

📑 Inhaltsverzeichnis

Nichtlineare Kontakte und Reibung prägen das Schwingungsverhalten zusammengesetzter Strukturen, ihre genaue numerische Behandlung ist jedoch rechenintensiv. Die Harmonische-Balance-Methode (HBM) ist etabliert zur Berechnung periodischer stationärer Schwingungsantworten, doch das benötigte alternierende Frequenz-Zeit-Schema (AFT) wird bei nichtglatten und hysteretischen Nichtlinearitäten teuer und muss während des gesamten nichtlinearen Lösungsprozesses immer wiederholt werden. Die Autoren zeigen, dass dieses Verfahren durch neuronale Netze ersetzt werden kann: Diese bilden Verschiebungs-Fourier-Koeffizienten direkt auf die nichtlinearen Kraftkoeffizienten ab und liefern die zugehörige Jacobi-Matrix per automatischer Differentiation. Der umgebende Löser und die Fortsetzungsalgorithmen zur Berechnung von Frequenzgangkurven bleiben dabei unverändert. Entscheidend ist, dass die Netze ausschließlich einzelne nichtlineare Elemente erlernen – nicht komplette Systemantworten. Physikbasierte Entdimensionalisierung und Phasennormalisierung erleichtern den Lernprozess und ermöglichen einem einzigen trainierten Netz, einen weiten Bereich von Parameterkombinationen abzudecken. Am Beispiel der kubischen Feder, der einseitigen (unilateralen) Feder und des Jenkins-Elements weist der Ansatz eine wiederverwendbare Bibliothek von Ersatzmodellen (Surrogaten) nichtlinearer Elemente aus, die sich in beliebiger Zahl und Position innerhalb eines mechanischen Systems kombinieren lassen. Da die iterative Kraftermittlung im Zeitbereich entfällt, verspricht das Verfahren günstige Skalierung für hochauflösende Analysen und Systeme mit vielen nichtlinearen Elementen.

Hintergrund: Die HBM löst nichtlineare Schwingungsgleichungen im Frequenzbereich mit dem Ansatz $u(t) = \sum_k \hat{u}_k \, \mathrm{e}^{\mathrm{i}k\omega t}$, wobei der AFT-Schritt zwischen Frequenz- und Zeitbereich pendelt; das Jenkins-Element modelliert trockene Coulomb-Reibung ($F_R = \mu N$) mit Hysterese, wie sie etwa in geschraubten Verbindungen auftritt. Anmerkung: Die Studie stammt aus der Strukturdynamik, nicht aus der Chemie.

Lernimpuls

Kernidee: Die Harmonische-Balance-Methode lebt von einem Tauschhandel: Statt $M\ddot{u} + C\dot{u} + Ku + f_{nl}(u) = p(t)$ durch Zeitschrittintegration zu lösen, setzt sie $u(t) = \sum_{k=0}^{N_h} \hat{u}_k\,\mathrm{e}^{\mathrm{i}k\omega t}$ an und fordert, dass die Residuen aller $N_h$ Harmonischen verschwinden. Der Haken sitzt in $f_{nl}$: Für nichtlineare Elementkräfte existieren die Fourier-Koeffizienten nicht in geschlossener Form – deshalb pendelt das AFT-Schema in jeder einzelnen Auswertung per IFFT in den Zeitbereich, wertet dort die Kräfte punktweise aus (bei Hysterese pfadabhängig, mit internen Variablen) und transformiert per FFT zurück. Multipliziert man das aus – Newton-Iteration × Fortsetzungsschritte × Frequenzpunkte der Frequenzgangkurve × 2 Transformationen der Länge $M \ge 2N_h{+}1$ – entsteht derselbe Aufwand wieder und wieder; bei nichtglatten Kräften wächst $N_h$ obendrein, weil die Koeffizienten nur wie $1/k^2$ (Knick) bis $1/k$ (Sprung) abfallen. Genau diese wiederkehrende Kraftermittlung ersetzt die Studie durch ein neuronales Netz pro Elementtyp: Eingabe sind die Verschiebungskoeffizienten (Real- und Imaginärteil je Harmonische, typischerweise $2N_h$ reelle Zahlen), Ausgabe die Kraftkoeffizienten – und per automatischer Differentiation fällt die Jacobi-Matrix $\partial\hat{f}_{nl}/\partial\hat{u}$ exakt und mit einem einzigen Rückwärtslauf an, statt $(2N_h{+}1)$ verrauschter finite-Differenz-Auswertungen. Das ist der entscheidende Punkt: Newton-Verfahren und Bogenlängen-Fortsetzung brauchen diese Matrix zwingend; ein Netz ohne exakt verfügbare Ableitungen wäre im Löser nutzlos. Ein Mini-Beispiel zeigt, was das Netz lernen muss: Die kubische Feder $f_{nl} = k_3 u^3$ erzeugt für $u = U\cos\omega t$ die Kraft $\tfrac{k_3 U^3}{4}(3\cos\omega t + \cos 3\omega t)$ – die Nichtlinearität koppelt die erste an die dritte Harmonische, in der Jacobi-Matrix steht also $\partial\hat{f}_3/\partial\hat{u}_1 \neq 0$, obwohl der Linearanteil perfekt diagonal in $k$ bleibt. Zwei Kniffe machen das Training generalisationsfähig: Eine physikbasierte Entdimensionalisierung (im Geist des Buckingham-π-Theorems alle Größen auf Referenzen wie $k\,u_{ref}$ normieren) presst Parameterfamilien auf wenige dimensionslose Gruppen, und die Phasennormalisierung nutzt die Symmetrie, dass ein verschobener Zeitursprung $\hat{u}_k \to \hat{u}_k\,\mathrm{e}^{-\mathrm{i}k\varphi}$ dreht – gelernt wird nur der kanonisch phasengesetzte Fall. Weil die Netze ausschließlich einzelne Elemente (kubische Feder, einseitige Feder, Jenkins-Element) lernen, nicht ganze Systemantworten, bleiben sie komponierbar: beliebig viele Surrogate an beliebigen Freiheitsgraden, während Linearanteil, Löser und Fortsetzung unangetastet bleiben.

Häufige Fehlvorstellung: „Das Netz lernt die Systemantwort und ersetzt die Simulation." Nein – es ersetzt nur die Kraftermittlung einzelner nichtlinearer Elemente; Linearanteil, Newton-Loop und Frequenzdurchfahrt bleiben zuständig und liefern weiterhin Konvergenz- und Residueninformation. Zweite Fehlvorstellung: „Neuronale Netze passen nicht zu Newton, weil man keine genauen Ableitungen hat." Umgekehrt: Gerade die automatische Differentiation liefert die Jacobi-Matrix der trainierten Abbildung exakt (bis auf den Trainingsfehler), während finite Differenzen $(2N_h{+}1)$ zusätzliche Auswertungen bräuchten und Schrittgrößenrauschen in die Newton-Korrekturen mischten. Dritte Fehlvorstellung: „HBM geht nur für schwach nichtlineare, glatte Probleme." Falsch – AFT-HBM ist für nichtglatte Nichtlinearitäten (Kontakt, Reibung) etabliert; das Problem ist der Preis (langsame Fourier-Konvergenz, Wiederholung in jeder Iteration), nicht die Anwendbarkeit. Vierte Fehlvorstellung: „Ein Ersatzmodell verschlechtert die Genauigkeit heimlich." Das Surrogat ist eingebettet, nicht schwarz: Residuum und Ausgleichsfehler werden im Fortsetzungsschema weiterhin überwacht, Gültigkeitsbereich und Qualität des Netzes sind trainierseitig kontrollierbar. Fünfte Fehlvorstellung: „Reibungsdämpfung kann man einmal als viskosen Dämpfer einbauen und fertig." Der Equivalentdämpfer des Jenkins-Elements ist amplitudenabhängig, $c_{eq} = E_{diss}/(\pi\omega U^2)$ mit $E_{diss} = 4F_s\,(U - F_s/k)$ – er fällt mit wachsender Amplitude; genau deshalb braucht man Iteration und Fortsetzung über Amplituden und Frequenzen, und genau diesen amplitudenabhängigen Zusammenhang lernt das Surrogat.

Prüfe dich:

Kubische Feder: Für $u(t) = U\cos\omega t$ mit $U = 2\ \mathrm{mm}$ und $k_3 = 5\times10^{9}\ \mathrm{N/m^3}$ berechnen Sie die Amplituden der Fundamental- und der dritten Harmonischen der Kraft $f_{nl} = k_3 u^3$. Warum treten in der Jacobi-Matrix Kopplungsterme $\partial\hat{f}_3/\partial\hat{u}_1 \neq 0$ auf, obwohl der Linearanteil diagonal in $k$ bleibt?
Jenkins-Element mit $k = 1\times10^{4}\ \mathrm{N/m}$, Schlupfkraft $F_s = 50\ \mathrm{N}$, Auslenkamplitude $U = 10\ \mathrm{mm}$, Frequenz 10 Hz: Berechnen Sie den Schlupfweg $u_s = F_s/k$, die Hysterese-Fläche $E_{diss} = 4F_s(U-u_s)$ pro Zyklus und den equivalenten viskosen Dämpfer $c_{eq} = E_{diss}/(\pi\omega U^2)$. Warum ist dieser „Dämpfer" keine Materialeigenschaft, sondern amplitudenabhängig?
AFT-Buchhaltung: Für $N_h = 64$ Harmonische brauchen Sie $M \ge 129$ Zeitstützpunkte (in Praxis: 256). Schätzen Sie die Zahl der FFT-Transformationen für eine Frequenzgangkurve mit 300 Frequenzpunkten, je 6 Newton-Iterationen und 2 Transformationen pro Krafauswertung, und begründen Sie, warum ein Netz-Inferenz-plus-Backward-Pass daraus eine vektorisierbare Matrixoperation macht.
Die einseitige Feder hat einen Kraftknick am Kontaktbeginn. Bei einem Knick fallen Fourier-Koeffizienten wie $1/k^2$, bei einem Sprung wie $1/k$. Schätzen Sie ab, wie viele Harmonische nötig sind, um den Koeffizientenfehler unter 1 % zu halten (Restglied $\sum_{k>N} k^{-2} \approx 1/N$) – und warum nichtglatte Kräfte die HBM gerade teuer machen.
Zeigen Sie, dass ein verschobener Zeitursprung $t \to t+\tau$ die Koeffizienten $\hat{u}_k \to \hat{u}_k\,\mathrm{e}^{-\mathrm{i}k\omega\tau}$ dreht, und erklären Sie, warum Phasennormalisierung (Fixieren der Phase einer Referenzharmonischen) den Lerndatensatz drastisch verkleinert.
Ein Jenkins-Element hat die Parameter $k$, $F_s$; angeregt wird es mit der Amplitude $U$. Bestimmen Sie nach dem Buckingham-π-Theorem die Zahl dimensionsloser Gruppen, benennen Sie die natürliche Wahl (etwa $\pi = F_s/(kU)$) und begründen Sie, warum so ein einziges Netz die gesamte Parameterfamilie abdecken kann.
Bei $N_h = 64$ hat die Jacobi-Matrix rund 129 reelle Unbekannten. Vergleichen Sie die Kosten: finite Differenzen (129 Residuenauswertungen) gegen automatische Differentiation (ein Backward-Pass, Faktor 2–3 eines Vorwärtslaufs). Warum dominiert diese Ersparnis den Gesamtdurchsatz bei Fortsetzung über hunderte Frequenzpunkte?

Bei Schwierigkeiten: Denken Sie an einen Übersetzer. Das AFT-Schema ist der professionelle Wort-für-Wort-Übersetzer, der bei jedem einzelnen Satz (jeder Newton-Iteration) zwischen Zeit- und Frequenzsprache hin und her trägt; das trainierte Netz ist der Dolmetscher, der die Grammatik eines einzigen Elements so verinnerlicht hat, dass er das Ergebnis direkt liefert – und weil er dieselbe Ausdrucksweise (Fourier-Koeffizienten) spricht, merkt das restliche Gespräch (Löser, Fortsetzung) den Wechsel nicht. Das Jenkins-Element ist ein Parallelogramm: Zwei elastische Blöcke haften, bauen Spannung auf (steiler Anstieg mit $k$), rutschen bei $F_s$ (waagerechte Deckel) – die eingeschlossene Fläche ist die Reibungswärme pro Zyklus. Zu Frage 1: Aus $\cos^3 x = \tfrac{3\cos x + \cos 3x}{4}$ folgt $f_{nl} = \tfrac{k_3 U^3}{4}(3\cos\omega t + \cos 3\omega t)$; mit $k_3 U^3 = 5\times10^{9}\cdot(2\times10^{-3})^3 = 40\ \mathrm{N}$ ergibt sich 30 N auf der Fundamentalen und 10 N auf der dritten Harmonischen – ein Viertel, aus einer einzigen Nichtlinearität. Zu Frage 2: $u_s = F_s/k = 5\ \mathrm{mm}$; $E_{diss} = 4\cdot50\ \mathrm{N}\cdot5\ \mathrm{mm} = 1{,}0\ \mathrm{J}$; mit $\omega = 2\pi\cdot10\ \mathrm{rad/s} \approx 62{,}8\ \mathrm{rad/s}$ gilt $c_{eq} = 1{,}0/(\pi\cdot62{,}8\cdot(0{,}01)^2) \approx 51\ \mathrm{N\,s/m}$; bei $U = 20\ \mathrm{mm}$ dagegen $E_{diss} = 3{,}0\ \mathrm{J}$ und $c_{eq} \approx 3{,}0/(\pi\cdot62{,}8\cdot4\times10^{-4}) \approx 38\ \mathrm{N\,s/m}$ – der Dämpfer schwächt sich selbst ab. Zu Frage 3: $300\times6\times2 = 3600$ Transformationen der Länge 256, je rund $5M\log_2 M \approx 10^4$ flops, also grob $4\times10^7$ flops nur für Transformationen – plus 3600 pfadabhängige Kraftauswertungen mit internen Variablen; das Surrogat ersetzt jede davon durch Matrixmultiplikation plus einen Backward-Pass, beides hochgradig vektorisierbar. Zu Frage 4: $\sum_{k>N} k^{-2} \approx 1/N \le 0{,}01$ verlangt $N \approx 100$ Harmonische. Zu Frage 5: Einsetzen von $t+\tau$ dreht jede Harmonische um den Winkel $k\omega\tau$; fixiert man die Phase der ersten Harmonischen, ist der Rest eindeutig – eine Eichfixierung, die einen kontinuierlichen Freiheitsgrad aus dem Lerndatensatz entfernt. Zu Frage 6: Drei Größen ($k$, $F_s$, $U$), zwei Basisdimensionen (Kraft, Länge) → eine dimensionslose Gruppe $\pi = F_s/(kU)$; das Netz lernt die Funktion dieser einen Gruppe statt eines dreidimensionalen Parameterwürfels. Zu Frage 7: 129 Auswertungen gegen rund 2–3 Forward-Kosten ergeben grob Faktor 40–60 pro Iteration; über 300 Frequenzpunkte summiert sich das zum Gesamtdurchsatz – die Ableitungen sind hier der Flaschenhals, nicht die Inferenz.

📄 Quelle

Nachrichten-Artikel

📄 Original-Publikation

🧪 Verwandte Rechner

Mit diesen interaktiven Werkzeugen können Sie das Thema vertiefen:

🔬 spektroskopie-simulator → 🔬 reaktionskinetik-simulator → 🔬 einheitenumrechner →

Schlagworte: strukturdynamik neuronale-netze harmonische-balance-methode reibung schwingungsanalyse surrogatmodell coulomb-reibung frequenzgang