20 - Dynardo GmbH

Identifikation von Materialparametern mittels
Sensitivitätsanalysen und Optimierung
T1: Nachrechnung und Prognose von Brandversuchen an
Mauerwerkwänden
Dr.-Ing. Roger Schlegel
T2: Vollautomatische Identifikation der Schädigungsparameter des
Gurson Materialmodell
M. Sc. Henrick Nilsson, Dr.-Ing. Johannes Will
dynamic software & engineering GmbH
www.dynardo.de

Parameter identification using optiSLang
1) Define the Design space using
continuous or discrete optimization
variables
Best Fit
Simulation
2 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
2) Scan the Design Space
- Check the variation
- Identify sensible
parameters and responses
- Check parameter bounds
- extract start value
3) Find the best possible fit
- choose an optimizer depending on the sensitive
optimization parameter dimension/type

Nachrechnung und Prognose von Brandversuchen an
Mauerwerkwänden
Fragen / Zielstellung
Ursachen für starke Streuung der Feuerwiderstandsdauer?
Systematische Untersuchung wesentlicher Einflüsse auf das
Verhalten bei Brandbeanspruchung
Prognosefähige Simulation
3 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Thermisch-mechanisch gekoppelte Brandsimulation
Einwirkungen
Konvektion, Konduktion, Strahlung
Mechanische Einwirkungen und
Randbedingungen
Auflast, Lagerungsbedingungen
Transiente Thermische Analyse
ANSYS/LSDYNA
Temperaturverteilung in Struktur
über die Zeit
Nichtlineare Mechanische Analyse
ANSYS/LSDYNA, Multiplas
Spannungen, Dehnungen
Verformungen, Risse
Schädigungen, Versagenslast,
Versagensmechanismen
4 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Thermische Materialeigenschaften
Wärmeleitfähigkeit, Spez. Wärmekapazität
Dichte
Mechanische Materialeigenschaften
Steifigkeiten, Festigkeiten
Wärmeausdehnungskoeffizient
Sensitivitätsanalysen und Parameteridentifikation mit optiSLang

Sensitivitätsanalysen, Voruntersuchungen
Erste Nachrechnung der 11,5er Wand
an einfachem 2D-Modell
plastische Dehnungen am Wandfuß
5 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Sensitivitätsanalysen, Voruntersuchungen
dominierender Einfluss aus Putz
Putz 10 mm
ohne Putz
6 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Globale Sensitivitätsanalyse, 2D-Modell
Variation der
Randbedingungen, Auflast, Wandgeometrie,
relevanter Materialkennwerte
Grundlage für weitere Versuchsplanung
Korrelationsmatrix für alle Designs t_P=0

Parameteridentifikation Temperaturfeld
Wesentliches Phänomen: Austrocknungsprozess, Feuchtefront
Wanddicke (mm)
7 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Antwortgrößen

Parameteridentifikation Temperaturfeld
Wärmeleitfähigkeit spez. Wärmekapazität Dichte
8 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Parameteridentifikation mechan. Verhalten
Messungen / Antwortgrößen
Inputparameter
thermische Dehnung
Spannungs-Dehnungs-Beziehungen (Druck, Zug)
Entfestigungsverhalten, Rissrichtung / Dilatanz
thermische Dehnung E-Modul
9 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Messungenauigkeiten

Parameteridentifikation mechan. Verhalten
Mechanische Analyse: Tragverhalten, Spannungszustand
Vertikalspannungen
beflammte Seite
10 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Horizontalspannungen
beflammte Seite
2D 3D 3D-Effekt

Parameteridentifikation mechan. Verhalten
Gradientenwechsel = Beginn chemische Umwandlung / Kompaktion bei 600°C
600 °C
nach 50 min – 10mm
nach 120 min – 30 mm
nach 210 min – 50 mm
nach 300 min – 70 mm
11 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
mm
80
60
40
20
0
0 100 200 300
min
Temperaturprofil bei Erreichen des
Gradientenwechsels:

Parameteridentifikation mechan. Verhalten
12 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Mechanische Analyse,
Ergebnisse Parameteridentifikation
mechanisch plausibel !
Knickpunkte korrespondieren mit Temperaturprofil bei Erreichen des Gradientenwechsels

Parameteridentifikation Prognosemodell
Ansicht von
Außen (kalt) Innen (heiß)
13 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
90 min
84,5 min

Parameteridentifikation mechan. Verhalten
- Ableitung prognosefähiger Simulationsmodelle für einseitig beflammte
KS-Wände ist gelungen, 3D-Ansätze für d = 15, 17.5 und 21,4 cm
- Gute Nachvollziehbarkeit der Versuchsergebnisse hinsichtlich
** Temperaturfeld / Temperaturentwicklung
** 3D-Verformungsfelder
** Rissbildungen, Feuerwiderstandsdauer
- Abklärung und Einbeziehung der wesentlichen Phänomene im
Simulationsmodell
** Austrocknung / Plateau bei 100°C / Feuchtefront
** Gradientenwechsel in Verformungsfigur / Chemische
Umwandlung / Kompaktion in Zusammenhang mit Temp.feld
** vertikale und horizontale Biegung / Tragverhalten /
Spannungszustand (Vergl. 2D / 3D)
** vertikale Rissbildung in Steinen / Rissrichtung (Dilatanz)
** Fugenöffnung in Aufstandsflächen
- Erkenntnisse zur Bewertung von Messergebnissen (Imperfektionen)
14 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Part 2
Vollautomatische Identifikation von
Materialparametern mittels
Sensitivitätsanalysen und Optimierung
*MAT_GURSON
Tensile test
Parameter Identification
M. Sc. Henrick Nilsson
Dr.- Ing. Johannes Will
DYNARDO GmbH
WOST 6.0 - 2009
15 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Gurson damage parameters
• The following damage parameters in the LS-DYNA Gurson material
model has to be identified:
1. EN which is the mean nucleation ε N.
2. FC which is the critical void volume fraction f c where voids begin
to aggregate (mesh dependend!).
3. FFO which is the failure void volume fraction f F (mesh
dependend).
1. 2. 3.
16 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Process automation
• A description of the process automation in optiSLang
LSDYNA
Simulation of
tensile test
optiSLang 3.0.1
Sensitivity
Optimization
Robustness
SLang
Creating the stressstrain
curve
17 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
LS-PREPOST
Extracting results
- Reaction forces
- Displacements in x-direction
Python
Calculating the
stress-strain curve
and failure strain

• FE model of tensile test in LS-DYNA
including batch process to calculate
failure strain
• Sensitivity study to adjust
the design space
• Parameter identification using
ARSM/EA
• Verify the min/max parameter
values for use in Robustness
evaluation
Identification Process
Identification of failure strain of tensile test
18 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
Stress-Strain curve
obj_func = |FAIL_STRAIN – TARGET_STRAIN| � 0

Check variation and importance
19 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
2 mm:
Variation range
of failure strain
0.14… 0.28
4 mm:
Variation range
of failure strain
0.13… 0.31
10 mm:
Variation range
of failure strain
0.06… 0.32

Parameter identification
• An optimization was used to identify the Gurson parameters for a
specific failure strain, 0.20 (Min), 0.25 (Mean) and 0.30 (Max).
• The objective function is the failure strain.
• Seven design variables:
- FFO_2mm, FC_2mm (Element length 2 mm)
- FFO_4mm, FC_4mm (Element length 4 mm)
- FFO_10mm, FC_10mm (Element length 10 mm)
- EN
• A good starting design (best design) from the sensitivity study was
applied.
• optiSLang´s adaptive response surface (ARSM) algorithm was
used.
20 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Identification results – failure strain 20 %
Identification results Stress-strain curves FF0 & FC vs. Lo curve
21 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Summary – FFO & FC vs. L 0 curve
• The FF0 & FC vs. L 0 curve for failure strain 20, 25 and 30 %.
22 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
• we had to introduce
constraints to force
monotonic FF,FC curves
• values with low sensitivity
for 10 mm are modified in
case the curves cross each
other

Variation analysis - Robustness
• To check the resulting range of failure strains within a robustness
evaluatuion using linear interpolation between upper and lower
parameter values we perform a verification analysis.
• The first robustness evaluation only includes 1 stochastic variable
with an uniform distribution:
- Failure strain 20… 30 %
- verify scatter of plastic strain
• The second robustness evaluation includes 2 stochastic variables:
- Failure strain 20… 30 %
- Scale factor of the yield curve 0.85… 1.15 (± 15 %)
- a correlation coefficient, -0.40, between the failure strain
and the scale factor (yield stress) was introduced
- verify scatter of yield stress & strain
• Can we use linear interpolation?
• Can we identify the damage parameter without variation of yield
stress ?
23 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Comparison Verification 1 & 2
• Results for element length 2 mm are shown below.
• Linear Interpolation is o.k.
• The introduction of the scattering yield stress does not significantly
influence the resulting failure strain range.
24 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Conclusion
• optiSLang provides an automatic process of identifying mean and
min/max values for the Gurson damage parameters (EN, FF, FC)
• Linear interpolation of the FF, FC values between different mesh sizes
result in acceptable failure strain rates.
• Stochastic variation of yield stress does not significantly influence the
resulting failure strain. Therefore can we identify the min/max Gurson
Parameter for the mean value of the yield curve.
25 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009

Summary Identification process
Identify EN, FF0, FC for min/max plastic strain
• optiSLang’s adaptive
response surface (ARSM)
algorithm for global search
1 start design from
sensitivity (best design
• 4 min/design
(Total:8 h 1 CPU)
• Automatic cost efficient
process
2*3 calculations
per design
Best Fit
26 Weimarer Optimierungs- und Stochastiktage 6.0, 15./16. November 2009
2 mm
4 mm
10 mm
Simulation