Logo Logo
Help
Contact
Switch language to German
Entwicklung einer populations-basierten Validierungsmethodik für FE-Menschmodelle
Entwicklung einer populations-basierten Validierungsmethodik für FE-Menschmodelle
Virtuelle FE-Menschmodelle finden heutzutage ihren Einsatz vor allem in der frühen Phase im Fahrzeugentwicklungsprozess zur verletzungsmechanischen Bewertung und Untersuchung von Sicherheitsfunktionen, um die existierenden numerischen Crashtest-Dummys zu ergänzen und zukünftig teilweise zu ersetzen. FE-Menschmodelle werden u.a. gegen Bewegungsmessungen mit Freiwilligen oder Versuche mit postmortalen Testobjekten validiert, um ein menschenähnliches Verhalten dieser Modelle, auch Biofidelität genannt, sicherzustellen. FE-Menschmodelle sind, im Gegensatz zu Crashtest-Dummys, grundsätzlich veränderbar. Mit Verwendung von mesh-morphing Algorithmen oder parametrisierten Modellen kann die Geometrie von FE-Menschmodellen variiert werden. Zudem können auch Beschreibungen der Gewebeeigenschaften verändert werden. Die Veränderung von FE-Menschmodellen ermöglicht beispielsweise die Untersuchung von Populationen mit bestimmten Eigenschaften. Dabei muss jedoch beachtet werden, dass die Modelle mit der Veränderung ihren validierten Bereich verlassen. Um zukünftig den Einsatz stochastischer Simulationen mit FE-Menschmodellen zu ermöglichen, muss Vertrauen in numerische Modell¬vorhersagen generiert werden, welche nicht direkt mit den experimentellen Testproben eines Validierungsexperimentes übereinstimmen. Im Rahmen dieser Arbeit wird daher die wissenschaftliche Fragestellung bearbeitet, wie numerische Vorhersagen von Modellen, welche von experimentellen Testproben abweichende charakteristische Eigenschaften aufweisen, validiert werden können. Insbesondere liegt der Fokus auf der Erarbeitung eines Validierungskonzeptes, mit dem die Modellvorhersagen einer gesamten numerischen Population in einem Prozess mit den Ergebnissen eines Validierungsexperimentes verglichen werden können, ohne die einzelnen Kurven detailliert zu untersuchen. Zu Beginn wird ein Validierungsexperiment aus der Literatur auf lokaler Ebene, ein dynamischer 3-Punkt-Biegeversuch des Femurs, als Referenzlastfall ausgewählt und ein numerisches Abbild des experimentellen Versuchsaufbaus entwickelt. Dieses numerische Abbild des Referenzlastfalls wird als Voraussetzung für die folgenden Schritte detailliert validiert und dient im weiteren Verlauf der Arbeit dazu, das populationsbasierte Validierungskonzept zu testen. Da die genaue numerische Abbildung experimenteller Lasten und Randbedingungen bei derartigen Versuchen bis dato eine große Herausforderung darstellt, wird eine umfassende Sensitivitätsanalyse zu den wichtigsten Parametern durchgeführt. Auf dieser Basis kann das numerische Abbild des Referenzlastfalls für die nachfolgenden Schritte qualifiziert werden. Die Sensitivitätsanalysen fokussieren sich auf die Parameter zur Geometrie- und Massendefinition der Auflager, Parameter zur Materialcharakterisierung des Schaumes um den Impaktor, der Knochenpositionierung, sowie der Positionierung der Auflager relativ zum Knochen und zu dem Impaktor. Die Masse der Auflager hat den größten Einfluss auf die Kurvenform des experimentellen Ergebnisses. Daneben kann im Rahmen der detaillierten Analyse des Experiments auch eine Ausgangsbasis für die Verwendung von Femora-Modellen geschaffen werden. Danach folgt eine Eignungsprüfung von mathematischen Clusteranalyseverfahren und internen Validierungsindizes für den vergleichenden Bewertungsprozess numerischer und experimenteller Ergebnisse. Untersucht werden dabei die Möglichkeiten der objektiven Bestimmung einer geeigneten Clusteranzahl nach der Clusteranalyse für die Anwendung an biomechanischen Datensätzen. Diese Eignungsprüfung wird an vereinfachten Testdatensätzen mit einer geringen Kurvenanzahl durchgeführt, welche charakteristische Eigenschaften verletzungsmechanischer Datensätze beinhalten. Es werden nur hierarchische Fusionierungsalgorithmen der Eignungsprüfung unterzogen. Die geeigneten Kombinationen aus Clusteranalyseverfahren und internen Validierungsindizes werden in dem populationsbasierten Validierungskonzept verwendet, um die kombinierten Populations-ergebnisse, bestehend aus der numerischen und der experimentellen Kurvenschar, zu vergleichen. Das populationsbasierte Validierungskonzept verwendet das Ergebnis der Clusteranalyse, um die Güte der numerischen Modellvorhersagen quantitativ zu bewerten. Im letzten Schritt wird das populationsbasierte Validierungskonzept an dem numerischen Abbild des Referenzlastfalls getestet. Es wird eine numerische Testpopulation an Femora erstellt. Für diese Population werden die Modellvorhersagen mit dem validierten numerischen Versuchsaufbau des Referenzlastfalls generiert. Die Geometrie der numerischen Femora basiert auf postmortaler Bildgebung (CT) und die Gewebeeigenschaften basieren auf veröffentlichten Werten aus der Literatur. Die numerischen Modellvorhersagen und die publizierten experimentellen Ergebnisse des Referenzlastfalls werden in einen Datensatz zusammengeführt. Durch die Verringerung der Kurvenanzahl dieses Datensatzes wird ein zweiter Datensatz artifiziell generiert, welcher eine abweichende Struktur mit natürlichen Gruppierungen aufweist. An diesen beiden Testdatensätzen wird die populationsbasierte Validierungsmethode abschließend getestet. Mit der Hilfe von Clusteranalyseverfahren können komplexe Datensätze in eine überschaubare Anzahl an Gruppen aufgeteilt werden. Kurven aus einer Gruppe weisen nur leichte Unterschiede in den Kurvenformen und weiterer knochenspezifischer Parameter, wie z.B. der Biegeresistenz des Knochens, auf. Die resultierenden Gruppen aus einer Clusteranalyse werden in der populationsbasierten Validierungsmethode einzeln analysiert und gegeneinander verglichen. Damit das Ergebnis einer Clusteranalyse an einem biomechanischen Datensatz erfolgreich in der populationsbasierten Validierungsmethode verwendet werden kann, muss sichergestellt werden, dass die numerischen Kurvenformen detailliert mit den experimentellen Kurvenformen übereinstimmen. Wenn signifikante Unterschiede zwischen den experimentellen und den numerischen Kurvenformen existieren würden, würde ein Clusteranalyseprozess die experimentellen und die numerischen Kurven voneinander trennen. In diesem Fall ist keine Bestimmung der Validierungsgüte mit dem populationsbasierten Validierungsprozess möglich. Größere Unterschiede in den Kurvenformen, wie z.B. auftretende Schwingungen, können daher zur Beeinträchtigung der Anwendbarkeit eines solchen Ansatzes führen. Das Validierungskonzept wird in dieser Arbeit mit Testdatensätzen, die eine geringe Kurvenanzahl enthalten, getestet. Diese geringe Kurvenanzahl in den Testdatensätzen ist bewusst gewählt, damit der Validierungsprozess visuell überprüft werden kann. Abschließend wird empfohlen, zukünftige Anstrengungen auf die Automatisierung des populationsbasierten Validierungsprozesses zu legen, um die Analyse von komplexeren und undurchsichtigen Datensätzen zu ermöglichen., Nowadays, numerical FE human body models are mainly used to biomechanically assess and investigate safety features during the early stage in a vehicle development process, complementing or in future partly replacing the existing numerical crash test dummies. FE human body models are validated against experimental test results from biomechanical experiments, performed with volunteers or postmortem human subjects, to create and ensure a human-like behavior of these models, which is also called biofidelity. In contrast to crash test dummies, FE human body models can in principle be modified. The geometry of FE human body models can be modified by using mesh-morphing algorithms or parametrized models. Additionally, the material characterization of tissues can be modified. The modification of FE human body models enables for instance the investigation of populations with certain characteristics. However, one has to keep in mind that the models leave with their modification the validated area where they were intended to be used. To enable the usage of stochastic numerical simulations with FE human body models in the future, one has to create trust in numerical model predictions, which are not directly comparable to the experimental test objects of a validation experiment. In the scope of this thesis, the investigated scientific research question is therefore, how the predictions of numerical models, with differing characteristic properties to the experimental test objects can be validated. In particular, the focus lies on the elaboration of a validation concept by which the model predictions of a whole numerical population can be compared to the results of a validation experiment in one process, without investigating the single curves in detail. First, a validation experiment on a local level, a dynamic 3-point bending test of a femur, is selected as the reference load case from literature. A numerical replicate is then created of the experimental test setup. This numerical replicate of the reference load case is the basis to test the population based validation concept in the further course of this thesis and is therefore thoroughly validated. Up to now, one major challenge in the numerical replication of such experimental tests is the exact numerical replication of the experimental loads and boundary conditions. Therefore, a comprehensive sensitivity analysis regarding the most important parameters is performed. This establishes the basis for qualifying the numerical replicate of the reference load case to be used in following steps. The sensitivity analyses focuses on parameters to characterize the geometry and mass definition of the roller supports, the parameters to characterize the foam material around the impactor, the positioning of the bone, as well as the positioning of the roller supports relative to the bone and the impactor. The mass of the roller support has the biggest influence on the curve form of the experimental test result. Besides, in the context of the detailed analysis of the experiments a starting point for the usage of femora models is created. Then, a qualifying examination of mathematical cluster analysis methods and internal validation indices for the comparative evaluation process of numerical and experimental results is performed. The possibilities of objective determination of a suitable number of clusters after the cluster analysis for the application to biomechanical data sets are examined. This qualifying examination is performed on simplified test datasets containing a small amount of curves and representing characteristic properties of biomechanical datasets. Furthermore, only hierarchical fusion algorithms are subjected to the qualifying examination. The suitable combinations of cluster analysis method and internal validation indices are used in the population based validation concept to compare the combined population results, consisting of the numerical and the experimental set of curves. The population based validation concept uses the result of the cluster analysis to examine the quality of the numerical model predictions quantita-tively. In the last step, the population based validation concept is tested on the numerical replication of the reference load case. A numerical test population of femora is created. The numerical model predictions are created for this test population with the validated numerical test setup of the ref-erence load case. The geometry of the numerical femora is based on postmortem imaging (CT) and the tissue properties are based on published values from literature. The numerical model predic-tions and the published experimental test results of the reference load case are combined to one dataset. A second dataset is artificially created by reducing the amount of curves of the combined dataset, which shows a differing structure incorporating natural grouping of curves. Finally, the population based validation method is tested on both test datasets. Complex datasets can be split up in a manageable number of groups by using cluster analysis methods. Curves within one group only differ slightly regarding their curve forms and further bone specific parameters, as for instance the bending resistance of the bone. In the population based validation method, the resulting groups from a cluster analysis are analyzed on their own and compared to each other. In order to successfully use the result of a cluster analysis of a biomechanical dataset in the population based validation method, it has to be ensured that the numerical curve forms match detailed to the experimental ones. If significant differences between the experimental and the numerical curve forms were present, the cluster analysis process would separate the experimental curves from the numerical ones. In this case, it would not be possible to determine the quality of the validation with the population based validation process. Significant differences in curve forms, as e.g. occurring vibrations, can impair the applicability of such an approach. The validation concept is tested with test datasets incorporating a small amount of curves. This small amount of curves is chosen on purpose to enable a visual verification of the validation process. In conclusion, it is recommended to put future effort in the automation of the population based validation process to enable the analysis of complex and obscure datasets.
Not available
Schneider, Sonja Andrea
2022
German
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Schneider, Sonja Andrea (2022): Entwicklung einer populations-basierten Validierungsmethodik für FE-Menschmodelle. Dissertation, LMU München: Faculty of Medicine
[thumbnail of Schneider_Sonja_Andrea.pdf]
Preview
PDF
Schneider_Sonja_Andrea.pdf

15MB

Abstract

Virtuelle FE-Menschmodelle finden heutzutage ihren Einsatz vor allem in der frühen Phase im Fahrzeugentwicklungsprozess zur verletzungsmechanischen Bewertung und Untersuchung von Sicherheitsfunktionen, um die existierenden numerischen Crashtest-Dummys zu ergänzen und zukünftig teilweise zu ersetzen. FE-Menschmodelle werden u.a. gegen Bewegungsmessungen mit Freiwilligen oder Versuche mit postmortalen Testobjekten validiert, um ein menschenähnliches Verhalten dieser Modelle, auch Biofidelität genannt, sicherzustellen. FE-Menschmodelle sind, im Gegensatz zu Crashtest-Dummys, grundsätzlich veränderbar. Mit Verwendung von mesh-morphing Algorithmen oder parametrisierten Modellen kann die Geometrie von FE-Menschmodellen variiert werden. Zudem können auch Beschreibungen der Gewebeeigenschaften verändert werden. Die Veränderung von FE-Menschmodellen ermöglicht beispielsweise die Untersuchung von Populationen mit bestimmten Eigenschaften. Dabei muss jedoch beachtet werden, dass die Modelle mit der Veränderung ihren validierten Bereich verlassen. Um zukünftig den Einsatz stochastischer Simulationen mit FE-Menschmodellen zu ermöglichen, muss Vertrauen in numerische Modell¬vorhersagen generiert werden, welche nicht direkt mit den experimentellen Testproben eines Validierungsexperimentes übereinstimmen. Im Rahmen dieser Arbeit wird daher die wissenschaftliche Fragestellung bearbeitet, wie numerische Vorhersagen von Modellen, welche von experimentellen Testproben abweichende charakteristische Eigenschaften aufweisen, validiert werden können. Insbesondere liegt der Fokus auf der Erarbeitung eines Validierungskonzeptes, mit dem die Modellvorhersagen einer gesamten numerischen Population in einem Prozess mit den Ergebnissen eines Validierungsexperimentes verglichen werden können, ohne die einzelnen Kurven detailliert zu untersuchen. Zu Beginn wird ein Validierungsexperiment aus der Literatur auf lokaler Ebene, ein dynamischer 3-Punkt-Biegeversuch des Femurs, als Referenzlastfall ausgewählt und ein numerisches Abbild des experimentellen Versuchsaufbaus entwickelt. Dieses numerische Abbild des Referenzlastfalls wird als Voraussetzung für die folgenden Schritte detailliert validiert und dient im weiteren Verlauf der Arbeit dazu, das populationsbasierte Validierungskonzept zu testen. Da die genaue numerische Abbildung experimenteller Lasten und Randbedingungen bei derartigen Versuchen bis dato eine große Herausforderung darstellt, wird eine umfassende Sensitivitätsanalyse zu den wichtigsten Parametern durchgeführt. Auf dieser Basis kann das numerische Abbild des Referenzlastfalls für die nachfolgenden Schritte qualifiziert werden. Die Sensitivitätsanalysen fokussieren sich auf die Parameter zur Geometrie- und Massendefinition der Auflager, Parameter zur Materialcharakterisierung des Schaumes um den Impaktor, der Knochenpositionierung, sowie der Positionierung der Auflager relativ zum Knochen und zu dem Impaktor. Die Masse der Auflager hat den größten Einfluss auf die Kurvenform des experimentellen Ergebnisses. Daneben kann im Rahmen der detaillierten Analyse des Experiments auch eine Ausgangsbasis für die Verwendung von Femora-Modellen geschaffen werden. Danach folgt eine Eignungsprüfung von mathematischen Clusteranalyseverfahren und internen Validierungsindizes für den vergleichenden Bewertungsprozess numerischer und experimenteller Ergebnisse. Untersucht werden dabei die Möglichkeiten der objektiven Bestimmung einer geeigneten Clusteranzahl nach der Clusteranalyse für die Anwendung an biomechanischen Datensätzen. Diese Eignungsprüfung wird an vereinfachten Testdatensätzen mit einer geringen Kurvenanzahl durchgeführt, welche charakteristische Eigenschaften verletzungsmechanischer Datensätze beinhalten. Es werden nur hierarchische Fusionierungsalgorithmen der Eignungsprüfung unterzogen. Die geeigneten Kombinationen aus Clusteranalyseverfahren und internen Validierungsindizes werden in dem populationsbasierten Validierungskonzept verwendet, um die kombinierten Populations-ergebnisse, bestehend aus der numerischen und der experimentellen Kurvenschar, zu vergleichen. Das populationsbasierte Validierungskonzept verwendet das Ergebnis der Clusteranalyse, um die Güte der numerischen Modellvorhersagen quantitativ zu bewerten. Im letzten Schritt wird das populationsbasierte Validierungskonzept an dem numerischen Abbild des Referenzlastfalls getestet. Es wird eine numerische Testpopulation an Femora erstellt. Für diese Population werden die Modellvorhersagen mit dem validierten numerischen Versuchsaufbau des Referenzlastfalls generiert. Die Geometrie der numerischen Femora basiert auf postmortaler Bildgebung (CT) und die Gewebeeigenschaften basieren auf veröffentlichten Werten aus der Literatur. Die numerischen Modellvorhersagen und die publizierten experimentellen Ergebnisse des Referenzlastfalls werden in einen Datensatz zusammengeführt. Durch die Verringerung der Kurvenanzahl dieses Datensatzes wird ein zweiter Datensatz artifiziell generiert, welcher eine abweichende Struktur mit natürlichen Gruppierungen aufweist. An diesen beiden Testdatensätzen wird die populationsbasierte Validierungsmethode abschließend getestet. Mit der Hilfe von Clusteranalyseverfahren können komplexe Datensätze in eine überschaubare Anzahl an Gruppen aufgeteilt werden. Kurven aus einer Gruppe weisen nur leichte Unterschiede in den Kurvenformen und weiterer knochenspezifischer Parameter, wie z.B. der Biegeresistenz des Knochens, auf. Die resultierenden Gruppen aus einer Clusteranalyse werden in der populationsbasierten Validierungsmethode einzeln analysiert und gegeneinander verglichen. Damit das Ergebnis einer Clusteranalyse an einem biomechanischen Datensatz erfolgreich in der populationsbasierten Validierungsmethode verwendet werden kann, muss sichergestellt werden, dass die numerischen Kurvenformen detailliert mit den experimentellen Kurvenformen übereinstimmen. Wenn signifikante Unterschiede zwischen den experimentellen und den numerischen Kurvenformen existieren würden, würde ein Clusteranalyseprozess die experimentellen und die numerischen Kurven voneinander trennen. In diesem Fall ist keine Bestimmung der Validierungsgüte mit dem populationsbasierten Validierungsprozess möglich. Größere Unterschiede in den Kurvenformen, wie z.B. auftretende Schwingungen, können daher zur Beeinträchtigung der Anwendbarkeit eines solchen Ansatzes führen. Das Validierungskonzept wird in dieser Arbeit mit Testdatensätzen, die eine geringe Kurvenanzahl enthalten, getestet. Diese geringe Kurvenanzahl in den Testdatensätzen ist bewusst gewählt, damit der Validierungsprozess visuell überprüft werden kann. Abschließend wird empfohlen, zukünftige Anstrengungen auf die Automatisierung des populationsbasierten Validierungsprozesses zu legen, um die Analyse von komplexeren und undurchsichtigen Datensätzen zu ermöglichen.

Abstract

Nowadays, numerical FE human body models are mainly used to biomechanically assess and investigate safety features during the early stage in a vehicle development process, complementing or in future partly replacing the existing numerical crash test dummies. FE human body models are validated against experimental test results from biomechanical experiments, performed with volunteers or postmortem human subjects, to create and ensure a human-like behavior of these models, which is also called biofidelity. In contrast to crash test dummies, FE human body models can in principle be modified. The geometry of FE human body models can be modified by using mesh-morphing algorithms or parametrized models. Additionally, the material characterization of tissues can be modified. The modification of FE human body models enables for instance the investigation of populations with certain characteristics. However, one has to keep in mind that the models leave with their modification the validated area where they were intended to be used. To enable the usage of stochastic numerical simulations with FE human body models in the future, one has to create trust in numerical model predictions, which are not directly comparable to the experimental test objects of a validation experiment. In the scope of this thesis, the investigated scientific research question is therefore, how the predictions of numerical models, with differing characteristic properties to the experimental test objects can be validated. In particular, the focus lies on the elaboration of a validation concept by which the model predictions of a whole numerical population can be compared to the results of a validation experiment in one process, without investigating the single curves in detail. First, a validation experiment on a local level, a dynamic 3-point bending test of a femur, is selected as the reference load case from literature. A numerical replicate is then created of the experimental test setup. This numerical replicate of the reference load case is the basis to test the population based validation concept in the further course of this thesis and is therefore thoroughly validated. Up to now, one major challenge in the numerical replication of such experimental tests is the exact numerical replication of the experimental loads and boundary conditions. Therefore, a comprehensive sensitivity analysis regarding the most important parameters is performed. This establishes the basis for qualifying the numerical replicate of the reference load case to be used in following steps. The sensitivity analyses focuses on parameters to characterize the geometry and mass definition of the roller supports, the parameters to characterize the foam material around the impactor, the positioning of the bone, as well as the positioning of the roller supports relative to the bone and the impactor. The mass of the roller support has the biggest influence on the curve form of the experimental test result. Besides, in the context of the detailed analysis of the experiments a starting point for the usage of femora models is created. Then, a qualifying examination of mathematical cluster analysis methods and internal validation indices for the comparative evaluation process of numerical and experimental results is performed. The possibilities of objective determination of a suitable number of clusters after the cluster analysis for the application to biomechanical data sets are examined. This qualifying examination is performed on simplified test datasets containing a small amount of curves and representing characteristic properties of biomechanical datasets. Furthermore, only hierarchical fusion algorithms are subjected to the qualifying examination. The suitable combinations of cluster analysis method and internal validation indices are used in the population based validation concept to compare the combined population results, consisting of the numerical and the experimental set of curves. The population based validation concept uses the result of the cluster analysis to examine the quality of the numerical model predictions quantita-tively. In the last step, the population based validation concept is tested on the numerical replication of the reference load case. A numerical test population of femora is created. The numerical model predictions are created for this test population with the validated numerical test setup of the ref-erence load case. The geometry of the numerical femora is based on postmortem imaging (CT) and the tissue properties are based on published values from literature. The numerical model predic-tions and the published experimental test results of the reference load case are combined to one dataset. A second dataset is artificially created by reducing the amount of curves of the combined dataset, which shows a differing structure incorporating natural grouping of curves. Finally, the population based validation method is tested on both test datasets. Complex datasets can be split up in a manageable number of groups by using cluster analysis methods. Curves within one group only differ slightly regarding their curve forms and further bone specific parameters, as for instance the bending resistance of the bone. In the population based validation method, the resulting groups from a cluster analysis are analyzed on their own and compared to each other. In order to successfully use the result of a cluster analysis of a biomechanical dataset in the population based validation method, it has to be ensured that the numerical curve forms match detailed to the experimental ones. If significant differences between the experimental and the numerical curve forms were present, the cluster analysis process would separate the experimental curves from the numerical ones. In this case, it would not be possible to determine the quality of the validation with the population based validation process. Significant differences in curve forms, as e.g. occurring vibrations, can impair the applicability of such an approach. The validation concept is tested with test datasets incorporating a small amount of curves. This small amount of curves is chosen on purpose to enable a visual verification of the validation process. In conclusion, it is recommended to put future effort in the automation of the population based validation process to enable the analysis of complex and obscure datasets.