The International Association for the Engineering Modeling, Analysis and Simulation Community

CONFERENCE PROGRAM & AGENDA

Engineering Analysis & Simulation in the Automotive IndustryCreating the Next Generation VehicleNovember 14th, 2019 | Troy, MI nafems.org/americas

Keynote from General Motors on "Generative Design in the Future of Next Generation Vehicle Development" and Ford Motor Company on "Leveraging Systems Thinking, MBSE and Simulation in the Design and Analysis of Highly Distributed Autonomous Vehicle Systems"

Four Tracks with presentations from industry, software providers, researchers, and academia

Four Panel Discussions on "Democratization in the Automotive Industry," "Learning Simulation in the Academic Environment: Inside and Outside the Classroom," "Generative Design for Future Vehicle Development," and "Systems Thinking for the Design of Complex Products."

Contact Information

NAFEMS Americas 130 N Prospect Street, Suite K Granville, OH 43023Tel. 1.614.360.1922Fax. 1.740.587.1505 americas@nafems.org

The automotive engineering community is now confronting the largest technology transformation since its inception. This includes the electrification of powertrains for more efficient consumption and cleaner emissions, the reinvention of the battery with fast wireless charging capabilities and finally the advent of a fully autonomous vehicle. Compounding to these technology changes, the automotive companies design verification process is moving away from a major reliance on physical testing to almost a full virtual simulation product verification process.

Hence, the challenges to the automotive engineers are enormous and require a significant increase in the upfront use of numerical simulation capabilities, methods and processes such they’re able to efficiently design, manufacture and deliver these very innovative technologies to the market in greater speeds than ever before.

Topics presented and discussed at this conference will address various questions, such as:• What CAE techniques are being used to drive various powertrain electrification design alternatives (i.e., HEVs, PHEVs, EBVs)• How can I democratize engineering analysis & simulation through automation, embedded intelligence and smart processes?• How do I overcome technical challenges to enable faster & smoother transition from physical to virtual Design Validation

testing?• What are the latest simulation solutions/techniques applied to deliver current and future sustainability requirements (e.g., light

weighting, alternative-propulsion, fuel economy, ultra-low emissions)?• What are some pragmatic simulation case studies applicable to the design & development of level-4 & level-5 autonomous

vehicles?• What steps should I take when exploring the widening technology landscape (i.e., application of AI, generative-design, etc.)?• How can I better leverage systems modeling & simulation to improve the safety, reliability, NVH and functional performance of

next-generation vehicles?

Conference Overview

NAFEMS and participating speakers will cover these topics, and more, at, “Engineering Analysis & Simulation in the Automotive Industry: Creating the Next Generation Vehicle." Located at the MEC in Troy, MI, attendees from the major automotive manufacturers and suppliers will gather at this annual event, in a pre-competitive manner, to exchange ideas, identify best practices, and drive the near-future direction of technology.

This event aims to deliver information and insights on critical topic areas in a manner that maximizes the “take-away” value for attendees. An event agenda and concept championed by several leading figures in the automotive industry will provide the opportunity to learn about the latest technologies and practices, which attendees can later share and apply within their own organizations.

SponsorsWe would like to extend a special thanks to the sponsors of the 2019 NAFEMS Americas Conference on "Engineering Analysis & Simulation in the Automotive Industry: Creating the Next Generation Vehicle." Please be sure to visit and speak with each of our sponsors during the conference to see and hear about the latest advancements in their technologies.

2

3

AGENDA - Thursday, November 14th

10:00

Room 102

COMPUTER-AIDED OPTIMIZATIONChair: E. Nutwell, SIMCenter

8:30 Plenary Session: AuditoriumWelcome & IntroductionA. Wood, Americas Regional Manager, NAFEMSGenerative Design in the Future of Next Generation Vehicle DevelopmentS. Xu, General Motors Technical Center

Break in Foyer

10:30

12:10

1:00

2:15

2:45

5:50

COMPUTER-AIDED OPTIMIZATIONChair: M. Felice, Ford Motor Company

Room 101Auditorium

Program subject to change.

Generative Design for Future Vehicle DevelopmentS. Xu, General Motors Technical Center

Blended Optimization Procedure for Lightweighting of Big Sheet Metal Stru.M. Kayupov, Dassault Systemes SIMULIA Corp.

Optimization Techniques to Design Efficient Automotive ComponentsO. Joshi, Vanderplaats Research & Development

Generative Design When it Matters Most!P. Yadav, SciArt, LLC

4:30

Multi-Material Topology Optimization for Automotive ApplicationsR. Hoglund, Altair Engineering, Inc.

Room 106

PANEL DISCUSSION: Auditorium - Recap of Four Breakout Panel Discussions: 1) Generative Design for Future Vehicle Development, 2) Democratization in the Automotive Industry, 3) Systems Thinking for the Design of Complex Products, 4) Learning Simulation in the Academic Environment - Brief Open DiscussionCLOSING: M. Felice, Ford Motor Company

Networking Reception in Foyer

Structural Optimization Methods with Commonality ConstraintsO. Joshi, Vanderplaats Research & Development

A Massive Simulation Approach to Verify and Validate AV SystemsT. Gioutsos, Siemens PLM Software

Automated Model Build Process through an SPDM SystemM. Lamping, Siemens PLM Software

Democratization and Knowledge Mgmt Using Core Tenets of SPDMN. Kasarekar, ESTECO North America, Inc.

The Effect of HDR InfiniBand on Automotive SimulationsY. Qin, HPC-AI Advisory Council

Accurate 1D Model of a Fuel System Pressure Relief Valve Under Special Operating ConditionsB. Stroia, Stanadyne LLC

Simulation Solution for xEV DevelopmentW. Linares, AVL - Advanced Simulation Technologies

Systems Thinking Enabled by Effective Enterprise SPDM for Reduction of Physical TestingM. Panthaki, ARAS Corporation

Discussions on Design for Die Casting Manufacturing Process in Up-front Automotive Part EngineeringJ. Huang, Ryobi Die Casting, USA

Accurate Heat Transfer Simulation of Rough Wall Cooling Channels with Complex GeometriesM. Hoffmeyer, Southwest Research Inst.

Machining Process Design Using Numerical Methods for Powertrain ComponentsN. Saini, Third Wave Systems

Learning Simulation in the Academic EnvironmentS. Midlam-Mohler, SIMCenter

Systems Thinking for the Design of Complex ProductsM. Felice, Ford Motor Co.

Democratization in the Automotive IndustryF. Popielas, SMS_ThinkTank

Overcoming Technical Challenges to Transition from Physical to Virtual Design Validation TestingL. Dahiya, Detroit Engineered Products

Democratization through Automation, Embedded Intelligence and Smart ProcessesS. Bhogle, Detroit Engineered Products

How to Leverage Applied AI & Deep Learning in Manufacturing and SimulationB. Turner, MAYA Heat Transfer Tech.

Efficient V&V of ADAS Algorithms Using Simulation and Design Exploration TechniquesK. Krishnan, MSC Software

Engineering Challenges for Modelling 77GHz Antenna Arrays for Autonomous Vehicles and ADAS ApplicationsL. Salman, ANSYS Canada Ltd.

Simulation Based Study of Pedestrian Detectability on Roads with High Radar Cross Section InfrastructureU. Chipengo, ANSYS, Inc.

SPDM & COMPUTINGChair: J. Walsh, ASSESS

MBE & SYSTEMS MODELINGChair: F. Popielas, SMS_ThinkTank

MFG PROCESS SIMULATIONChair: C. Mozumder, General Motors

PANEL DISCUSSION 2 PANEL DISCUSSION 3 PANEL DISCUSSION 4

AUTONOMOUSChair: K. Zouani, Ford Motor Company

NVHChair: TBA

INNOVATIVE APPLICATIONSChair: J. Huang, Ryobi Die Casting, USA

Lunch in Dining Room

PANEL DISCUSSION 1

System Simulation to Optimize Powertrain NVHG. Festag, Ford Motor Company

Simulating Clutch Nonlinearity Effectively to Improve Transmission NVH PredictionW. Nie, Ford Motor Company

Analysis and Optimization of an Automotive Cradle Using Single FEM with Multiple AttributesP. Hiremath, Altair Engineering, Inc.

Accurate Modeling of Motors with Contact Interference for Effective Electric Drive NVH AnalysisW. Nie, Ford Motor Company

A Computational Approach to Design An Optimal Urea Mixer in a Diesel Exhaust SystemS. Mishra, Ford Motor Company

Fatigue Simulation of Welds Using the Total-Life MethodJ. Mentley, HBM Prenscia nCode

Virtual Simulation Verification Process of Parking Pawl Mechanism Based on Multibody SimulationsN. Roy, American Axle Manufacturing

Break in Foyer

Multi-objective Topology Optimization Methods for Vehicle Design Concepts D. Detwiler, Honda R&D Americas, Inc.

Leveraging Systems Thinking, MBSE and Simulation in the Design and Analysis of Highly Distributed Autonomous Vehicle SystemsC. Davey, Ford Motor Company

The Status of Manufacturing Process Simulation and NAFEMS – MANWGJ. Huang, Ryobi Die Casting, USA

MEC Floor Plans

4

Exhibiton Hall (Lobby Areas)

Conference VenueManagement Education Center811 W. Square Lake RoadTroy, MI 48098

Indicates Rooms Used

During Conference

Exhibitors will include:- TotalCAE- SIMCenter- Dassault Systemes SIMULIA Corp.- ESTECO- AVL- ARAS Corporation- MSC Software- MSi- Siemens Digital Industries Software- nTopology- BETA CAE Systems USA- Detroit Engineered Products- Front End Analytics

NAFEMSAs the only non-profit international association dedicated to the analysis, simulation, and systems engineering community, NAFEMS has established itself as the leading advocate for establishing best practices in engineering simulation. Over 35 years later, industry end-users, software and hardware solutions providers, researchers, and academic institutions continue to recognize NAFEMS as a valued independent authority that operates with neutrality and integrity. NAFEMS Americas supports over 400 member companies located in the Americas region who are actively engaged in the analysis, simulation, and systems engineering community.

NAFEMS Americas Steering Committee MembersRodney Dreisbach (The Boeing Company, Retired), Chairman Steve Arnold (NASA Glenn Research Center)Jack Castro (The Boeing Company)Duane Detwiler (Honda R&D Americas)Brian Duffy (Technip USA)Graham Elliott (De Havilland)Mario Felice (Ford Motor Company)Francisco Gomez (GE Power)Joshua Huang (Ryobi Die Casting)Ronald Krueger (National Institute of Aerospace)Edward Ladzinski (SMS_ThinkTank)Matthew Ladzinski (NAFEMS)Rodrigo Britto Maria (Embraer S.A.)Laura Michalske (Procter & Gamble Company)Tina Morrison (FDA)Dennis Nagy (Beyond CAE)Frank Popielas (SMS_ThinkTank)Pat Prescott (Owens Corning Science & Technology) Marcus Reis (ESSS)Charles Roche (Western New England University) Mahmood Tabaddor (Underwriters Laboratories LLC) Andrew Wood (NAFEMS)

mattl_000Rectangle

mattl_000Rectangle

mattl_000Rectangle

mattl_000Rectangle

mattl_000Rectangle

mattl_000Rectangle

Presenter Name: Chaney, Ray 

Presenter Company: Detroit Engineered Products 

Presentation Title: How Can I Democratize Engineering Analysis & Simulation through Automation, Embedded Intelligence and Smart Processes? 

Keywords: Process Automation, Virtual Validation, Auto Parameterization 

Abstract:  

Automation is very important part of industry 4.0. It is no different in the virtual validation scenario. Traditionally CAE model building activities that are time consuming has been core focus of automation besides creating presentation files from the FE analysis results data base. In most of the organizations CAE SoP’s (standard operating procedures) are already in place and this satisfies one of the important necessary conditions for initiating automation. Today as product development cycle time is being shrunk there is more emphasis on virtual validation. This has led to more workload for CAE/FE analysts. Automation of the CAE SoP provides a bright spot for CAE/FE analysts to overcome the time crunch without any compromise to quality of results. In this paper effort is being made to explain novel approach to CAE process automation. The paper looks at automation for preparing ready to run FE model of clutch assembly. The Clutch assembly is usually built with some parts that are discretized with hexa elements and others with higher order tetra mesh. This depends on the SoP or best practice followed by engineering teams. The process automation that is discussed in this paper is designed to generate ready to run solver input deck from input CAD data. The process automation captures geometry clean up tasks for clutch assembly parts, meshing clutch assembly parts as per the guidelines or SoP, assigning material properties, creating connection as per model assembly guidelines besides creating the analysis load steps. Smart processes to automatically define contacts and auto fix contacts are being added to make it easier for engineers to save time. The process automation does require inputs from the user and they are channelled through “drag and drop” menus or User Panels that are easy to create and are part of the process automation process. The key four steps for the process automation are Record, Create UI, Plumb the Process and Publish. Auto parameterization of the FE model provides ability to add intelligence to the FE model assembly so that what if scenario study is made very easy. This holistic process is estimated to save time drastically upwards of 50 percent to the CAE User. Most important point being this process automation that CAE user could create does not need expertise with any programming language. 

Presenter Name: Chipengo, Ushe 

Presenter Company: ANSYS, Inc. 

Presentation Title: Simulation Based Study of Pedestrian Detectability on Roads with High Radar Cross Section Infrastructure for 77 GHz Automotive Radar 

Keywords: Radar, Automotive, 77GHz, Radar Cross Section, Simulation 

Abstract:  

Advanced driver assistance systems (ADAS) have emerged as one of the fastest areas in the technology market. Past trends in the automotive industry limited the implementation of ADAS to high end, low volume vehicles. However, recent trends have seen the integration of ADAS in low cost, high volume models. Such adoption of ADAS has made it one of the fastest growing areas in automotive electronics. Projections have predicted that original equipment manufacturers (OEM’s) will be spending over $37 Billion on ADAS and safety related electronics by 2021. Such a surge in ADAS interest and adoption has been propelled by the need to make vehicles safer. Specifically, according to the NHTSA, 37 133 people lost their lives in motor vehicle crashes in 2017. Therefore, there is a need to make roads safer by equipping vehicles with advanced driver assistance systems that provide the driver with greater situational awareness. Furthermore, these systems will possibly carry out manoeuvres that can prevent accidents. Another propelling factor has been the race by OEMs to deploy fully autonomous vehicles. With a $54 billion market size value in 2019, the market size value of autonomous vehicles is projected to catapult to $557 billion by 2026. The ADAS equipped, fully autonomous vehicle will have radar, lidar, optical cameras and ultrasonic sensors to provide the vehicle with situational awareness in a highly dynamic environment. 77 GHz automotive radar has emerged as the clear backbone sensor technology for fully autonomous vehicles. This is because radar is a robust and relatively inexpensive technology that can simultaneously detect the range, velocity and bearing of multiple targets even in inclement weather. As radar sensors evolve from merely providing situational information such as blind spot detection to being used for full autonomous driving manoeuvres, a larger burden of reliability will be placed on them. Specifically, extensive tests will need to be carried out to demonstrate the implementation and reliability of radar sensors in fully autonomous vehicles. A corner case of interest is the detectability of pedestrians who are in the vicinity of high radar cross section (RCS) infrastructure on roads. Specifically, if a low RCS target such as a pedestrian stands near high RCS road infrastructure, their presence can be impossible to detect. This is because the radar returns of strong RCS targets can overwhelm the radar sensor and possibly cause the radar sensor to ignore an otherwise present soft target such as a pedestrian. In this work, a simulation study of the impact of guardrails and overpasses on the visibility of pedestrians is presented. Results from this study demonstrate how guardrails and overpasses affect the doppler‐range maps obtained at 77 GHz. Such results can be used to develop more robust target identification algorithms to detect soft targets in the vicinity of strong RCS targets. Using simulation, a low RCS alternative guardrail design is presented. Such a low RCS guardrail system can reduce the RCS of conventional guardrails by 25 dB. Results from this study show that simulation can be used to accurately and efficiently evaluate 77 GHz radar performance in corner cases that would be dangerous and costly to test in the real world. 

Presenter Name: Dahiya, Lokesh 

Presenter Company: Detroit Engineered Products 

Presentation Title: Overcoming Technical Challenges to Enable Faster & Smoother Transition from Physical to Virtual Design Validation Testing 

Keywords: Virtual validation, HAZ for welds, FE parametrization, CAE optimization 

Abstract:  

Zero prototype sounds familiar to most of the virtual validation team members as it is the goal that is being chased. This has brought increasing focus on ability of virtual validation to almost represent the physical test. Virtual validation team have already addressed several difficult areas like capturing HAZ for welds, including formability for parts, coupon tested material property inclusion besides the implementing the preloads and bolt torques. Best modeling practices have been developed to address representation of above scenarios. As one of the part of digital twin loads are being fed from the data acquisitions system or from load cells / accelerometers instrumented on existing product operating on the ground. Correlation technique between FE results and physical testing is also addressed adequately enough. This paper focuses on enabling what is next. After correlated FE model being made possible, it is important to have FE models made parametric so that failure scenarios could be addressed comprehensively with countermeasures. This paper examines abilities to create quick countermeasures that help overcome fatigue failure and plan energy management under fatigue loads. Such parametric models and design enabler tools applied to validated FE models goes a long way to enable transition from physical testing. This paper focuses on how quick countermeasure creation and parameterization option help come up with countermeasure for axle suspension brackets fatigue analysis. Axle suspension brackets welded to axle tube take transverse, longitudinal and vertical loads to help in the stability of the vehicle and they generally fail at welding locations under fatigue loads. So, new or modified axle suspension bracket designs are verified for strength and stiffness under bench test and road loads specially at welding locations. This is accomplished through CAE analyses, bench tests and vehicle proving ground tests. It has been observed that not only welding locations but welds dimensions and Heat Affected Zones (HAZs) also play an important role in suspension brackets design life and thus overall Axle life. This paper elaborates the process that can not only quickly create seam welds in FE model along with Heat affected zones at the location of choice mentioned by the Engineer but also gives the freedom to parameterize the weld locations and dimensions at all suspension brackets simultaneously. We have observed this process helped Engineers analyze several possible options and come up with feasible option that meets the performance in record time. This methodology besides saving time of putting together physical prototype, saved more than 30 percent time for the Engineers as the countermeasures were created directly on FE models without waiting for CAD data. 

Presenter Name: Duquette, Remi (Turner, Barry)

Presenter Company: MAYA Heat Transfer Technologies 

Presentation Title: How to Leverage Applied AI & Deep Learning in Manufacturing and Simulation 

Keywords: AI, manufacturing, Simulation, learning 

Abstract:  

Machine Learning (ML), Deep Learning (DL), and Artificial Intelligence (AI) have been the talk of the town worldwide for a few years now. Many new deep learning algorithms provide new ways of making digital twins and simulation models in general more relevant to the actual manufacturing process and/or operational conditions they are meant to improve in the first place. For instance, upstream insights as to what is causing defects typically only picked up too late by quality assurance and other testing at the end of the manufacturing process, can be provided early in the cycle through real‐time applied AI agents in the loop. The combination of IIoT sensing throughout the manufacturing process and new deep learning algorithms also provide significant value in avoiding costly re‐work of defective parts. It can equally help reduce troubleshooting time of system malfunctions picked up at the end of the manufacturing process by quality assurance testing, or worse during operations. Moreover, the newer capabilities such as reinforcement deep learning algorithms and adaptive neural trees (ANT) can be leveraged to learn from a simulation and digital twin environment. Once the resulting reinforcement‐based AI agent has self‐learned to best achieve the end goal, it can then be applied in real‐time operational environment to detect onset of anomalies, outlier events (positive or negative), or other patterns it learned to recognize during training. Specific examples in discrete manufacturing with real‐time monitoring AI agents will be provided to show how you can detect from high dimensional features some outliers. The presentation will also show how deep learning models can be used for building reduced models from computational fluid dynamic (CFD) and thermal analysis. ML, DL, and AI use cases in practical simulation and manufacturing environments will be described in detail. MAYA HTT’s presentation on applied AI will help you assess your organization AI‐readiness level, better understand the technological enablement considerations, and understand how to leverage AI technologies in a manufacturing and simulation context, specifically through customer use case examples. 

Presenter Name: Festag, Georg 

Presenter Company: Ford Motor Company 

Presentation Title: System Simulation to Optimize Powertrain NVH 

Keywords: System Simulation, Powertrain NVH Optimization, Creep Rattle 

Abstract:  

The objective of powertrain Noise Vibration and Harshness (NVH) development is to achieve the desired level of NVH refinement in an efficient manner. Computer Aided Engineering (CAE) is an important part of the NVH development process because it increases development‐ and design validation efficiency. Integration of CAE tools for System Simulation and Design Optimization enables multi‐objective design optimization across multiple physical domains. This paper presents a case study to illustrate the usage of these CAE tools for powertrain NVH optimization. The NVH error state addressed in this case study is “creep rattle” which manifests itself as objectionable rattle noise inside the passenger compartment of a vehicle when vehicle speed is low, the transmission is in low gear, and the engine operates at idle speed and low load. High torsional vibrations in the powertrain cause “creep rattle”. A powertrain torsional CAE model was developed to identify the root cause of the high torsional vibrations. The model consists of the mechanical components of the powertrain and the engine speed controller. System simulation shows that high torsional vibrations occur when a powertrain torsional mode of vibration is excited by the main engine torque harmonic at the selected engine speed set point. Powertrain system resonance and thus “creep rattle” only occurs when vehicle drag is low. Low vehicle drag causes the powertrain torsional damper to operate in its “Idle‐Neutral” operating range instead of its “Idle‐Drive (Creep)” operating range. The CAE analysis shows the importance of considering variability in vehicle operating conditions (in this case vehicle drag) in the NVH optimization process. A CAE workflow for design robustness‐ and trade‐off investigations was established that ensures NVH target compliance for both “Idle‐Drive (Creep)” and “Idle‐Neutral”. The CAE workflow takes into account variability in vehicle drag and variability in powertrain design parameters including engine speed and load. In the future, the CAE workflow will be extended to operating conditions such as vehicle acceleration and engine “start/stop”. 

Presenter Name: Gioutsos, Tony 

Presenter Company: Siemens PLM Software 

Presentation Title: A Massive Simulation Approach to Verify and Validate AV Systems 

Keywords: Simulation, Autonomous, Sensors, Clusters, Cloud Computing, Verification and Validation, Algorithms, Scenarios 

Abstract:  

Verification and Validation (V & V) of Highly Automated Vehicles (HAV) requires the use of massive simulation. With massive simulation we can create a DOE and Monte Carlo series of tests. These test results can be correlated to desired results by using standard Estimation and Detection principles. For example, for a detection case (e.g. Automatic Emergency Braking (AEB)), a Receiver Operating Characteristic (ROC) curve can be computed. The ROC curve creates a V & V of the AEB system. To start this process, we must begin with appropriate scenarios. Scenarios are very important in establishing the “base” set of tests that our system must be concerned with. These “edge” cases could come from various sources including: Euro NCAP, Data Collection, GIDAS, CIDAS, AMP, KITI, Streetwise, Open Scenario, Open CRG, MCity ABC, ASAM, etc. Once the base set is defined, we can move on to sensor modelling. The next step in the process involves correct sensor modelling as well as associated perception and control algorithms. With accurate sensor models, simulation via SIL, HIL, DIL or VIL can vastly reduce the need for test track testing and field testing. By linking the complex world to Physics based sensor models, this goal can be reached. We next turn our attention to the sensor models themselves and in particular, we focus on the detailed physics models for camera, RADAR, LIDAR and V2X. Below is an example of a Detailed Physics Based Radar model. The left side of the image is the camera view of a vehicle as it drives through a scene. The right side is what is commonly called a “range‐doppler” image of the same scene. The range‐doppler image is a somewhat processed version of the raw radar data. It depicts radar cross section versus the range and relative velocity to our ego vehicle. This has been correlated to real data by working with various sensor manufacturers and suppliers. Once the sensor models are chosen, deterministic and stochastic variations can be used to widely vary the scenario database. This will create massive variations that help produce the V & V framework for analysis. Some examples of the variation could include: sensor noise, actor trajectories, weather and/or lighting variation, road variation, lane line variation (fading and holes), traffic sign degradation, variations of traffic, actor variations, vehicle motion stochastic variation, sensor mounting variation (dynamic and static), etc. There should be orchestration of the variations and a complete tracking to allow for “playback” of situations that do not meet expectations. and computing on a cloud or cluster solution. Analysing the results and correlating them to a set of requirements can lead to a proper V&V of the entire HAV system. In addition to the generic HAV system (i.e. world and sensor models), digital twins of the vehicle, occupant and tires should also be added to the process. The tires are the only part of the vehicle touching the ground and play an important part of the overall analysis. Finally, the occupant(s) in the vehicle is(are) what matter most. It should be apparent that safety will be the critical issue, so that when the HAV system does not meet expectations, analysis of the impact on the occupant(s) can be performed. 

 

Presenter Name: Gummadi, Nagesh 

Presenter Company: Ford Motor Company 

Presentation Title: A Computational Approach to Design An Optimal Urea Mixer in a Diesel Exhaust System 

Keywords: Diesel, Emissions, Exhaust System, Mixers, Deposition 

Abstract:  

Selective catalytic reduction (SCR) has been widely employed in diesel exhaust systems to reduce NOx emissions. Urea‐water( Adblue) solution is injected into the exhaust flow to produce Ammonia(NH3) which acts as a reducing agent. Ammonia further reacts with NOx gases in the SCR catalyst to produce harmless byproducts. Uniform distribution of Ammonia on the SCR catalyst is necessary to ensure effective after‐treatment of exhaust gases. In addition, uneven mixing of Urea droplets can create local pockets of Ammonia with high concentration in the catalyst eventually leading to Ammonia slip. In order to improve the mixing of Urea water solution and break‐up of Urea spray, static mixers are inserted ahead of the SCR catalyst. An analytical CFD tool has been developed to assess mixing and predict key metrics such as Ammonia Uniformity in the catalyst. Also different mixer designs have been evaluated and optimized using this method for improved mixing. 

Presenter Name: Hiremath, Prashant 

Presenter Company: Altair Engineering, Inc. 

Presentation Title: Analysis and Optimization of an Automotive Cradle Using Single Finite Element Model with Multiple Attributes i.e. NVH, Strength and Fatigue 

Keywords: Optimization, dynamic stiffness, non‐linear strength (permanent set) and weld fatigue 

Abstract:  

Finite element analysis has been an important part of vehicle product design. Currently in the industry multiple models of same components/assemblies are built to perform different analyses for example NVH, non‐linear strength (permanent set) and fatigue. Most of the times multiple solvers are used for these different attribute models. Any design change which needs evaluation of all analyses results would then need inefficient, time‐consuming and complex conversions. Additionally, the optimization process using multiple models becomes complex due to the need for synchronization of parameters, as well as need to run multiple models. To overcome these challenges, an efficient work‐flow is illustrated using a single pre‐processor and a single solver. A single finite element model has been built with all the three subcases, i.e. NVH, nonlinear strength (permanent set) and fatigue, in the same model as different load‐cases. This makes analysis and iteration process streamlined and efficient as no model conversion is involved. Further optimization with the required set of responses and constraints is performed. This work‐flow is demonstrated using an automotive cradle assembly, which has a set of functional requirements for dynamic stiffness, permanent set and fatigue. A finite element model is built with the load cases for NVH, non‐linear strength (permanent set) and fatigue. The baseline design is evaluated for the functional requirements and found to be meeting the fatigue needs but failing for the dynamic stiffness and the permanent set criteria. Optimization is performed with thickness of the sheet metal components as design variables with constraints on damage, permanent set and the dynamic stiffness targets. The optimizer suggests an optimum design which not only meets all the performance targets but also has mass savings of 3 Kgs i.e. 6%. 

Presenter Name: Hoffmeyer, Matthew 

Presenter Company: Southwest Research Institute 

Presentation Title: Accurate Heat Transfer Simulation of Rough Wall Cooling Channels with Complex Geometries 

Keywords: Multiphysics, CFD, FEA, Conjugate Heat Transfer, High Efficiency, Cooling Technology, Additive Manufacturing 

Abstract: 

As regulations continue to drive efficiency improvements in Internal Combustion Engines and the mobility industry continues to electrify and hybridize, multiple strategies are being used to increase powertrain efficiency. One possible target for increased efficiency is within the cooling system. For internal combustion engines, advanced combustion strategies continue to push metal temperatures and stresses to their limits. In electric vehicles, battery cells must be maintained within a narrow operating temperature range in order to maximize battery life and performance. In both systems, active cooling is essential but also creates a parasitic energy drain in the form of pumping losses. In addition, too much cooling in internal combustion engines decreases combustion efficiency. Southwest Research Institute launched a project last year to investigate how complex internal geometries, made possible by additive manufacturing, could be used to enhance heat transfer. The study examined cooling in both the forced convection and nucleate boiling regimes. This presentation briefly highlights the results of that study, but primarily covers how simulation was used to understand how the additively manufactured geometries were enhancing heat transfer from the wall into the coolant. Multiple modeling techniques on the fluid side were evaluated. The detailed modeling evaluation included grid sensitivity studies, rough surface wall treatment formulations, and turbulence models. The end goal was to develop a method that could accurately model the heat transfer enhancement but be efficient enough to scale up to a full size cooling system analysis. This project revealed that accurate cooling heat transfer models need to correctly account for wall roughness while also characterizing the complex turbulent flow dynamics generated by the complex geometric features made possible by additive manufacturing. This project demonstrates that it is possible to accurately model those complex features, but it is also very easy to underestimate the benefits provided by complex geometries if the model isn’t set up appropriately. Several best practices were established to use in future cooling system analyses. The ability to accurately model full systems that incorporate these new geometries will lead to optimized designs that can target cooling in specific zones of a structure. These optimized designs will be able to limit peak system temperatures with lower coolant flow rates which will reduce pumping losses, thereby resulting in more efficient powertrain designs. 

Presenter Name: Hoglund, Robert 

Presenter Company: Altair Engineering, Inc. 

Presentation Title: Multi‐Material Topology Optimization for Automotive Applications 

Keywords: Topology optimization, multiple materials, manufacturing 

Abstract:  

Topology optimization has become an integrated part of the design cycle where light‐weighting and robustness are important for vehicle systems. With advances in novel manufacturing methods, it has become easier to manufacture parts and assemblies with multiple materials, like over‐molds of plastic and metal, steel‐aluminum frames, etc. Multi‐material optimization can provide the benefits of achieving feasible designs in limited design regions, light‐weighting by selecting materials more efficiently, and cost savings at manufacturing volumes for automotive applications. In this paper, a practical methodology for multi‐material topology optimization is presented with examples to determine the optimal load‐paths for structural components considering multiple materials. An available “package space” is considered as in a standard topology optimization, where material can be kept or removed. Models are constrained at mounting locations and loading is applied at attachment points, as in a typical analysis setup. Next, topology optimization is performed with different objectives and constraints, e.g. to minimize mass and minimize the effective cost with constraints on displacements, and various concepts are generated based on multiple material models that are considered in the design space. By formulating the problem in this manner with multi‐material optimization, trade‐offs between the materials can be evaluated, i.e. the stiffness of steel vs. the mass savings of aluminum, and the potential difference in material costs. Including a cost function within the structural optimization to relate relative expense of different materials can take the consideration of production costs into the optimization problem. The results of the multi‐material optimization workflow are presented and summarized with recommendations for common design scenarios. Inclusion of all relevant constraints is important to formulate and drive the optimization approach correctly. The multi‐material topology optimization method can be utilized to determine optimal material placement with a structure from a list of available options, and balance the trade‐offs between materials with different weight, stiffness, and raw material cost in a concept‐level topology optimization. 

 

Presenter Name: Huang, Joshua 

Presenter Company: Ryobi Die Casting, USA 

Presentation Title: Discussions on Design for Die Casting Manufacturing Process in Up‐front Automotive Part Engineering 

Keywords:  

Abstract:  

Lightweighting has been continuing the top priority in automotive industry for years. Die casting plays an important role in achieving the lightweighting goal, because it is the most economical manufacturing process for mass productions of light metal automotive parts. Die casting manufacturing process uses high pressure to inject molten metal such as Aluminium and Magnesium alloys into a reusable steel mould cavity under high velocity. The process contains many complicated physical phenomena such as multi‐phase and multi‐media under high pressure, high temperature and high speed, which cause the extreme complicated characteristics of die casting manufacturing process simulation. Because of its complexity die casting manufacturing process simulation has not widely been applied to the up‐front engineering of automotive part design. In consequence, quite often, it causes manufacturing challenges and/or problems in the downstream. This presentation discusses the potential ways to improve part design for die casting manufacturing process in up‐front automotive engineering via different levels of simplified analyses or simulation approaches. • General design rules & tips (simple guidelines, wall thickness, draft angle, parting line, rib, orientation, … ) • Quantitative analytical approach, evaluation index, requirement engineering, (heat modules, various process capability, PQ2, intensification feeding, …) • Simplified manufacturing process simulation (solidification analysis, overall flow analysis, structural analysis, … ) • Standard/template manufacturing process simulation for automotive part design • Automotive part geometry optimization for die casting manufacturing process • Full die casting manufacturing process simulation and expert system creation. Because die casting manufacturing process is for mass production, a small improvement in the up‐front engineering could not only achieve a big financial gain in the downstream of part manufacturing, but also lower the risk of delaying the whole program by minimizing the engineering changes of the part geometry during die casting process development. 

 

Presenter Name: Joshi, Om 

Presenter Company: Vanderplaats Research & Development 

Presentation Title: Optimization Techniques to Design Efficient Automotive Components 

Keywords: Optimization, Response surface approximation, DOE, Finite element analysis, CFD 

Abstract:  

In today’s competitive and ever‐demanding business environment, designers and engineers are in a constant search for ways to design better and more efficient products with minimum resource utilization. This presentation will discuss two optimization techniques developed to address these needs. The first optimization technique uses design of experiments and response surface approximation. The second optimization technique uses direct optimization method with no approximations. These two optimization techniques will be illustrated with corresponding two case studies from the automotive industry. In the first case study, the optimal design of a diffuser from Eclipse Sports Car is presented. In this study four CAD parameters, which defined the shape of the diffuser geometry, were used as design variables. The car drag was minimized and the downforce value was maximized. The Latin Hypercube design of experiment (DOE) design was used to generate initial set of design points and build a response surface approximation for the drag and the downforce. The Response surface approximation‐based optimization technique was used to find the optimum configuration for the diffuser geometry. The optimum diffuser design was then validated by conducting aerodynamic tests of the car with the manufactured diffuser. The second case study is sizing optimization of a body‐in‐white structure to minimize the mass while maintaining the several performance target on corresponding load cases. In this study 30 design variables were used to design thicknesses of main parts of the car body. A finite element analysis of the structure was conducted for seven different load cases. The optimization algorithms were coupled with a finite element analysis code to perform the optimization study. After optimization, post‐processing methods were used for performing design space exploration and for further design improvements. The optimization techniques used in the above two case studies allows designers and engineers to get valuable insights on the performance of their designs and to ultimately produce efficient automotive components. 

Presenter Name: Joshi, Om 

Presenter Company: Vanderplaats Research & Development 

Presentation Title: Structural Optimization Methods with Commonality Constraints: Applications of Multi‐Model Optimization 

Keywords: Structural Optimization, Component Commonality, Multi‐Model Optimization, Commonality Constraints 

Abstract:  

In today’s competitive markets, companies are constantly looking for ways to reduce cost. Optimization techniques are now frequently used as they can be directly applied to reduce mass or cost while meeting or exceeding performance targets. Standardization has brought lower prices as standard parts can be mass produced and/or purchased in bulk. In this paper, we discuss combining both ideas: optimize individual components and simultaneously optimize for shared components among multiple similar products. To achieve optimal component commonality we use multi‐model optimization (MMO). MMO allows multiple optimization models to run simultaneously via a master optimization process. The individual sub‐models may share some or all of their design variables with other sub‐models. Each sub‐model may include its own private constraints and objectives. Using multi‐model optimization, large‐scale optimization problems may be solved on HPC clusters, with each sub model analysis solver running on a separate compute node. The key benefits of multi‐model optimization are: a) the ability to optimize large‐scale models where designable regions are common to several model assemblies, but remaining parts of the models differ. For example, optimization of components common to several configurations of a vehicle, such as sedan and convertible versions and b) Reducing the wall clock time of large scale problems by splitting the solution of different boundary conditions onto separate compute nodes. To demonstrate the use of MMO to solve problems with commonality constraints a body‐in‐white SUV model with multiple load cases is considered for the analysis. In one model, the SUV body is considered with the full roof structure and in the second model, the same SUV body is considered with a sunroof. The top of each vehicle is designed independently but the floor of both SUVs is design for commonality. The main example is solved using freeform optimization, however, other types of optimization such shape, sizing and topology are possible. The problem is solved using the GENESIS structural optimization software. 

 

Presenter Name: Kasarekar, Nachiket 

Presenter Company: ESTECO North America, Inc. 

Presentation Title: Democratization and Knowledge Management of a Virtual Product Development Process Using Core Tenets of SPDM 

Keywords: SPDM, Simulation, Democratization, Knowledge Management 

Abstract:  

A plethora of factors like expanding product portfolio, complexity of the products, reduction in time to market lead to companies adopting simulation as a cornerstone of their product development process. As simulation and modelling capability matures the impact of simulation is felt across the product development lifecycle from component level detailed design to subsystem and system level design. Adoption of simulation further leads to a more holistic design approach where product architects, system engineers, design engineers and simulation engineers are all involved in the decision‐making process using simulation as a backbone. This presents a challenge of enabling effective use of system simulation tools and analytical decision‐making methods to various stakeholders in the product development cycle. In this presentation we explore the use of a web‐based collaboration and simulation data management platform to democratize virtual product development workflows. Further we explore the ability of such a system to enable decision making by using mathematical optimization and analytical decision‐making techniques. This also enables traceability and knowledge management of design decisions, supporting models and workflows in an intuitive web‐based interface. The process begins with creating an automated process of your simulation load cases using a graphical workflow. The workflow uses an intuitive approach to enable the automation depicting the process and data flow in graphical representation. These workflows can then be published on a web based SPDM platform to enable versioning, data management and democratized execution. The execution enables users to run and compare various single runs, but also enables mathematical design exploration techniques like design of experiments and optimization to be applied. These exploration techniques are augments with statistical data analytical methods. Such methods enable the user to apply objective decision‐making techniques on generated data and also share the same with collaborators and decision makers. The web‐based platform enables democratization of complex simulation processes and the tenets of SPDM framework enable knowledge management over the lifecycle of the simulation and optimization. 

 

Presenter Name: Kayupov, Malik 

Presenter Company: Dassault Systemes SIMULIA Corp. 

Presentation Title: Blended Optimization Procedure for Lightweighting of Big Sheet Metal Structures 

Keywords: Optimization, Isight, TOSCA, SFE 

Abstract:  

An automotive sheet metal structure, like a body in white, has to satisfy crashworthiness, NVH, and durability design requirements that can normally be achieved by increasing gauges of sheet parts. Such an enlargement yields a heavier structure and, consequently, higher production cost and future negative deviation from fuel economy and emissions targets. Automotive companies use different multi‐disciplinary trade‐off and optimization tools to meet the design requirements, together with business and environmental objectives by reducing the structural weight. Geometry shape parameters and sheet metal gauges are used at the initial conceptual stage of the vehicle design process while only gauges are used at the final design stage. The optimization procedure has to be able to trade‐off between different disciplines, objectives, and constrains, and produce acceptable optimization results in a few days or weeks. One of the most widely used optimization procedures includes direct crash, NVH, and durability simulations within Design of Experiments (DOE) tasks, approximation models generation, approximations‐based optimization, and further results validation with direct simulations. This method works well for models with relatively small number of design variables due to natural limitations of the parametric optimization methods and the accuracy of the approximation models that usually deteriorates with increasing of the number of input parameters. On the other hand, non‐parametric gauge optimization that derives benefit from topology optimization ideas can easily tackle sheet‐metal structures made of many parts, retain accuracy of direct simulations, and simultaneously handle several load cases. However, the results of the non‐parametric gauge optimization depend on the initial design shape and gauge values as the method is sensitivities driven. The work presented herein describes and evaluates a novel optimization procedure that blends parametric and non‐parametric methods available in Dassault Systèmes’ commercial software suite: Isight, TOSCA, and SFE. The procedure utilizes SFE CONCEPT technology for the structural shape modifications and finite element (FE) models generation within Isight DOE tasks and further non‐parametric optimization using TOSCA Sizing methods starting from the SFE‐made FE models. As such, the procedure is able to optimize gauge values of big sheet‐metal structures with multiple initial designs and use of only direct simulation tools without accuracy loss due to approximations. Additional conventional approximation‐based optimization steps can reduce the weight even further. 

 

Presenter Name: Krishnan, Karthik 

Presenter Company: MSC Software 

Presentation Title: Efficient Validation and Verification of ADAS Algorithms Using Simulation and Design Exploration Techniques 

Keywords: ADAS, Autonomous Driving, Autonomous Vehicles, Driver Assistance Systems, ADAS Control Algorithms, Driving Scenarios, Optimization, Uncertainty Quantification 

Abstract:  

Autonomous Transportation is becoming a reality due to rapid development and improvement in the sensing and control technology. Manufacturers are rushing to achieve level 2 autonomous capabilities in not only passenger vehicles, but also in semis, commercial vehicles and construction and mining vehicles. Autonomous vehicles are complex systems involving interactions between hardware and software in real time. To achieve level 2 autonomy, manufacturers need to develop and test complex driver assistance systems in number of real‐world scenarios. This involves these systems being tested for billions of miles in real world scenarios. To enable efficient development of these systems it becomes important to move to virtual testing. Simulation tools for Autonomous Driving enables achieving efficiency in these tests and ensuring validation and certification for the ADAS algorithms. Further simulation gives you the flexibility to test variety of assistance systems like AEB, ACC, ALC, ESC in number of driving scenarios and conditions in a short period of time. Simulation helps remove a substantial hurdle in achieving a rigor in the testing to make the ADAS algorithms safe and reliable. Having said that, the sheer number of driving scenarios, driving conditions and systems to be tested make it a mathematically impossible task to achieve. This introduces the need to use mathematical design exploration techniques and machine learning techniques to run simulations on identified worst case scenarios and help sweep through relevant driving situations in an efficient yet effective manner. Further to replicate real world uncertainties in the driving incidents, stochastic analysis of simulations become important to test the robustness of the ADAS algorithms. In this case study we take an example of a NHTSA defined AEB (Automatic Emergency Braking) Scenario and simulate it within a simulation software. The using an optimization platform we vary parameters such as vehicle speed, distance of the object from the vehicle in an efficient manner to cover a wide range of testing scenarios. We further test the robustness of the AEM algorithms by considering stochasticity on certain key scenario conditions. With this approach we highlight the ability to use mathematical design exploration techniques in conjunction with driving simulations to achieve efficient testing of ADAS algorithms. 

 

Presenter Name: Lamping, Mark 

Presenter Company: Siemens PLM Software 

Presentation Title: Automated Model Build Process through an SPDM System 

Keywords: Simulation Data and Process management, SDM, SPDM, Automation, Model build 

Abstract:  

In order to improve responsiveness of simulation teams, companies in automotive, aerospace, and other industries must reduce analysis turnaround time. Process automation and more efficient collaboration of work between designers and analysts are possible solutions to achieve this reduction. A new‐age simulation software which supports automation coupled with modern build process and simulation data and process management (SDPM) system enables this efficient collaboration between analysts and designers. A modern build process can automate many steps such as simplification of geometry, intelligent identification and meshing of geometry features, application of connections and model assembly, application of boundary conditions and finally the generation of solver input decks. Simulation data and process management (SDPM) systems can provide complete traceability from product performance requirements to simulation results and reports through a collaborative environment for designers and analysts across the enterprise to manage and automate simulation tasks and processes. This paper demonstrates how CAE departments can speed‐up the analysis process by automating model build while leveraging the automation capabilities of a modern pre‐processor and a seamless SPDM system. Automation of such a build process not only can shrink turnaround time but also enable democratization of simulation among non‐expert users. Also, the adoption of such a process can transform how analyses are performed in large and medium‐sized enterprises. In particular, this paper will show the application of CAE process workflows distributed across the design enterprise to aid automotive vehicle analyses. As each designer checks in their respective CAD parts, CAE processes are run automatically. These include the creation of multiple mesh representations tailored to the needs of specific analyses. The use of mesh templates defined with respect to specific analysis needs provide a generic approach to meeting meshing requirements in terms of element quality and geometry feature representation. The CAE model is assembled via a CAE BOM that accesses the managed CAE data. Connections between the CAE components are created by leveraging connection data defined in the CAD model. The end result is a CAE model constructed with minimal user interaction, while assuring that the most up to date CAD data is the foundation of the CAE model. 

 

Presenter Name: Linares, Waldemar 

Presenter Company: AVL ‐ Advanced Simulation Technologies 

Presentation Title: Simulation Solution for xEV Development 

Keywords: Model‐Based Development, Powertrain Electrification, Hybrid Electric Vehicle (HEV), Battery Electric Vehicle (BEV), Fuel‐Cell Electric Vehicle (FCEV), e‐motor 

Abstract:  

The automotive industry is experiencing dramatic changes. Major shifts of markets, stringent legislative requirements and highly varying consumer demands have created unprecedented challenges to automobile manufacturers. The electrification and hybridization of powertrains, along with further optimization of combustion engines, are forward‐looking steps to satisfy this demand. Although it is already possible to travel short distances 100% electrically, powertrains still need high efficiency to reach large electrical driving range and low CO2 emissions; therefore even bigger advances in the development of e‐motor, battery life and fuel cells are needed to place more electrically‐powered vehicles on the road. Frontloading of development tasks and the networking of development environments offer huge potential for increasing development efficiency. Applying a model‐based development approach helps to speed up the vehicle development process. Models developed to predict vehicle performance can be directly used and refined with a real powertrain on testbed. This validated model of a lead variant can then be used again in the virtual world to develop control functions, or to start implementing case calibrations for new and upcoming variants, helping to dramatically reduce iterations in the development cycle. Detailed specification, analysis and optimization of electrical systems and their components (such as e‐motor, batteries and fuel cells) under completely new operating conditions can be accomplished via 3D simulation, reducing cost and supporting seamless interaction between system and component level simulation environments. The presented work gives insights in the application of simulation power through combination and integration of commercially available software tools, analysis methods and testing into seamless workflows (AVL eSUITE™) to support engineering tasks on the electrification of powertrain. These tasks include concept, layout analysis, optimization and integration from a system level, to detailed 3D component analysis, focusing on electrical, mechanical, thermal and acoustic aspects. 

 

Presenter Name: Maor, Ophir (Qin, Yong)

Presenter Company: HPC‐AI Advisory Council 

Presentation Title: The Effect of HDR InfiniBand on Automotive Simulations 

Keywords: CAE, CFD, HDR, InfiniBand, Scalability, SHARP, In‐Network Computing 

Abstract:  

From concept to engineering, and from design to test and manufacturing, automotive engineers from wide ranges of industries face ever increasing needs for complex, realistic models to analyze the most challenging industrial problems; Finite Element Analysis is performed to secure quality and speed up the development process. Powerful development software is developed to tackle these needs from component‐level design to full vehicle analyses such as: crash simulations, structure integrity, thermal management, climate control, engine modeling, exhaust, acoustics, and much more. Those simulations are designed to carry out on large‐scale computational High‐Performance Computing (HPC) systems effectively. The latest revolution in HPC is the effort around the co‐design approach, a collaborative effort to reach Exascale performance by taking a holistic system‐level approach to fundamental performance improvements, is In‐Network Computing. The CPU‐centric approach has reached the limits of its scalability in several aspects, and In‐Network Computing acting as “distributed co‐processor” can handle and accelerates performance of various data algorithms, such as reductions and more. The past focus for smart interconnects development was to offload the network functions from the CPU to the network. With the new efforts in the co‐design approach, the new generation of smart interconnects will also offload data algorithms that will be managed within the network, allowing users to run these algorithms as the data being transferred within the system interconnect, rather than waiting for the data to reach the CPU. This technology is being referred to as In‐Network Computing, which is the leading approach to achieve performance and scalability for Exascale systems. In‐Network Computing transforms the data center interconnect to become a “distributed CPU”, and “distributed memory”, enables to overcome performance walls and to enable faster and more scalable data analysis. The new generation of HDR 200G InfiniBand In‐Network Computing technology includes several elements ‐ Scalable Hierarchical Aggregation and Reduction Protocol (SHARP), a technology that enables to execute data reduction algorithm on the network devices instead of the host‐based processor. Other elements include smart Tag Matching and rendezvoused protocol, and more. These technologies are in use at some of the recent large‐scale supercomputers around the world, including the top TOP500 platforms. HPC‐AI Advisory Council performed deep investigations on a few popular CFD/CAE software to evaluate its performance and scaling capabilities when using HDR InfiniBand interconnect. The study reveals the influence of the applications on runtime, scalability and performance of the simulations. 

Presenter Name: Mentley, Jeff 

Presenter Company: HBM Prenscia nCode 

Presentation Title: Fatigue Simulation of Welds Using the Total‐Life Method 

Keywords: Lightweighting, CAE simulation, virtual fatigue, weld analysis 

Abstract:  

Welding is often necessary in product design and production, but it can lead to susceptibility to fatigue cracking. Predicting the fatigue life of welded components is therefore critical to ensuring product durability requirements are met. A number of analytical approaches have been used predict to weld durability. These existing methods may struggle to accurately predict fatigue life in some cases. This is particularly true in cases of complicated weldments and advanced materials that have become more prevalent in the current lightweighting environment. In some weldments, cracks may initiate but grow very slowly – or not at all – depending on how the weld is designed. Understanding the total life of the weld becomes very important to ensuring product durability. The total‐life fatigue method addresses this analysis gap, bringing powerful new analysis capabilities for a more accurate prediction of weld fatigue life that results in improved product durability, reduced overdesign, and lower weight and cost. Total‐life uses an integrated approach to model fatigue over the entire lifetime of the component – from very early stages of crack initiation to macroscopic crack growth and final fraction – to give a more accuratedetermination of weld life. This combined approach of crack initiation and crack growth overcomes limitations andassumptions that are inherent in adopting either of these approaches separately. This paper describes a finiteelement‐based (FE) methodology for implementing this whole life fatigue analysis in a CAE environment. This newmethod offers numerous benefits over traditional weld fatigue analysis techniques, such as recognizing fatigue lifeas being dependent on both crack initiation and crack growth; the use of fracture mechanics‐based crack growthand crack tip plasticity modelling; insensitivity to initial crack length assumptions; incorporating the influence ofweld geometry and residual stress on life; the use of lightweight FE modelling techniques; and the ability to includecomplicated multiaxial loading. This paper describes how this total‐life method has been implemented in asoftware solution, including descriptions of the required inputs for FE modelling, material properties, residualstresses, and applied loading.

Presenter Name: Midlam‐Mohler, Shawn 

Presenter Company: The Ohio State University 

Presentation Title: Learning Simulation in the Academic Environment: Inside and Outside the Classroom 

Keywords:  

Abstract:  

Recent discussions have centered on whether students are graduating with the CAE knowledge and skills needed by employers. Prof. Shawn Midlam‐Mohler’s keynote at last year’s event, “Curriculum Innovation to Meet the Growing Demand for Simulation Talent,” focused on the work happening at Ohio State’s Simulation Innovation and Modeling Center (SIMCenter) to help students develop CAE skills. This year, Dr. Midlam‐Mohler will lead a panel composed of a current student, a recent graduate, a research staff member, and an industry representative to discuss how effectively the current curriculum prepares students for work in CAE and what changes are needed. This timely topic is not just applicable to CAE, but with current trends in additive manufacturing, AI, data analytics, IoT, etc., the landscape of engineering is evolving at a rapid pace and multiple stakeholders are examining what’s needed in today’s world. 

Presenter Name: Nie, Walter 

Presenter Company: Ford Motor Company 

Presentation Title: Simulating Clutch Nonlinearity Effectively to Improve Transmission NVH Prediction 

Keywords: Clutch, Transmission, NVH, Gear whine, Motor Whine, Nonlinear FEA, Hyper‐elasticity, Friction Contact, Steady state Dynamics 

Abstract: 

A numerical method was developed in this study to effectively account for the clutch nonlinear behaviour in steady state dynamic analysis for transmission NVH performance using nonlinear finite element analysis (FEA). Nonlinearities, such as the friction contact between the clutch components and the nonlinear properties of the friction lining material, were considered in the preloading procedure prior to the subsequent frequency domain vibration and acoustic analysis for the NVH evaluation. The paper‐based friction material was modelled as hyperelastic by directly using compression stress and stretch curves obtained from material test. As a result, the material behaviour accuracy was ensured with perfect correlation with the test. The clutch stiffness calculated in the preload stage with nonlinearity considered was then imported into the transmission analysis model built with a special‐purposed gear design and analysis code to calculate the Transmission Error (TE) and the bearing / connecting forces. The latter was subsequently used as the excitation input to an entire CAE transmission model to predict the radiated acoustic pressure through the housing vibration. With these nonlinear characteristics of the clutch being considered, improved agreement can be reached between the CAE prediction and the test measurements of transmission NVH performance such as gear whine and motor whine for hybrid transmission, and thus the design verification (DV) efficiency could be improved significantly as well. 

Presenter Name: Nie, Walter 

Presenter Company: Ford Motor Company 

Presentation Title: Accurate Modeling of Motors with Contact Interference for Effective Electric Drive NVH Analysis 

Keywords: Electric drive, NVH, Gear whine, Motor Whine, Nonlinearity, Friction contact, Steady state Dynamics 

Abstract:  

Fast‐growing vehicle electrification makes the performance of electric drive draw more and more attention. NVH issue caused by electromagnetic excitation and torque ripple is one of the key attributes directly affecting drivers’ impression. Accurate NVH simulation for the electric drives requires high fidelity mechanical analysis model. Specially, the installation of electric motors often involves contact interference in the process of press fit. Therefore, an effective analysis method is desired to address the severe nonlinear effects presented in this process in the support bracket vibration and housing radiated noise analysis for motor whine and other associated NVH performance assessment. Linear dynamics (often modes‐based frequency domain analysis) alone provides fast and expedient solutions for many NVH problems; however, there are cases where the nonlinearity plays such a significant role in NVH performance evaluation that they should not be neglected. An effective and feasible analysis modeling method to simulate interference fit and other nonlinear features possibly involved in both the installation and operating process was developed for E‐motor NVH analysis and assessment. First, the method was confirmed in a correlation study on FRF Response of the E‐motor Assembly in an Electric Rear Axle Drive (eRAD) of a hybrid electric vehicle. Additionally, the method was also successfully employed to a surrogate full assembly of the Primary Drive Unit (PDU) of a pure electric vehicle with full and light contact interference. Related parametric study was performed on the effect of interference magnitude, and interference pattern and distribution on NVH responses. The analysis procedure developed in this study includes 3 steps. Step 1 simulates the press fit and other related preloading effects using nonlinear static analysis, in which contact was defined with interference between the housing inner face and the stator outer face. In Step 2, normal modes extraction is conducted as a preparation for next step. The final step (step 3) is a steady state dynamic perturbation procedure, calculating the frequency response for either structural vibration or acoustic pressure due to mechanical or electromagnetic forces. The comparison with test result was preformed and reasonably good correlation was achieved. The method can be readily utilized to account for other linear and nonlinear effects in the system for NVH prediction such as preloading, assembling, plasticity, thermal loading etc. 

Presenter Name: Panthaki, Malcolm 

Presenter Company: ARAS Corporation 

Presentation Title: Systems Thinking Enabled by Effective Enterprise SPDM for Reduction of Physical Testing 

Keywords: Systems thinking, systems engineering, intelligent simulation automation, enterprise SPDM 

Abstract:  

It is 2019, and despite decades of software development, simulation continues to mostly exist within organizational silos that are geographically‐distributed and isolated, not just from each other but from all other enterprise engineering processes and platforms. Also, simulation processes are limited to a small number of experts, is highly manual and error‐prone, and hence, do not meet the global competition‐driven need for rapid innovation and quick time‐to‐market. Hence, product teams continue to depend on physical testing to ensure product quality and to validate requirements. As complexity increases, we see dramatic failures in the field, more and more, resulting in significant brand damage and warranty costs. The most technologically‐advanced automotive manufacturers are beginning to realize that a pervasive culture of systems thinking is required for their siloed engineers to successfully manage the multidisciplinary nature of many of today’s products, while also considering the complex, interacting business, competitive, and operating environments in which they exist. While this has been common practice in the space satellite arena, automotive companies have only just begun to consider systems approaches. Furthermore, as product complexity and connectivity increase exponentially, intelligent simulation automation is even more essential, as manually‐performed simulation, with its experts and data trapped in silos, becomes infeasible. The primary emphasis of simulation point tools to accurately simulate more and more complex phenomena, while necessary, has had the unintended side‐effect of encouraging siloed organizational structures. These silos isolate the simulation experts, their difficult‐to‐master point tools, and the related data, often resulting in incorrect inputs, simulation models that only the experts can use and outputs not available to the enterprise in a timely manner. This combination of expert‐driven point tools and organizational silos thwarts the increasing need for multidisciplinary and multi‐physics simulation automation and enterprise engineering data management – for simulation to be an effective enterprise product tool, something fundamental needs to change. The authors believe that a requirements‐driven, systems‐centric unified data model within an open, vendor‐neutral, extensible enterprise platform is a foundational building block. Such an approach supports multidisciplinary, multi‐fidelity systems modelling and automation, extending the power of simulation to the broader product team. The product team, empowered to perform exponentially more simulations, can now depend less on physical testing. This data modeling approach must be complemented by more effective enterprise‐wide Simulation Process and Data Management (SPDM), foundational to achieving closed‐loop traceability with requirements, test results, design data and product field data. We believe this is an essential element of the digital thread architecture that is required to support a business and engineering culture that is powered by systems thinking. The authors will present a reference architecture implementation that demonstrates the efficacy of the approach suggested in this paper. This reference architecture, based on an open, extensible, low‐code product development platform, will bring together key elements of systems engineering (requirements and system architecture) with systems analysis and higher‐fidelity simulation automation, powered by a unified data model. The system models form the connective tissue that enables the enterprise digital thread, with support for configuration management, variant management, and enterprise‐wide data for timely decision‐making. 

Presenter Name: Popielas, Frank 

Presenter Company: SMS_Thinktank 

Presentation Title: An Open Discussion on Democratization in the Automotive Industry 

Keywords:  

Abstract:  

With the increasing complexity in engineering overall (products, design and manufacturing processes and services) the challenges for engineering simulation are becoming much more challenging and complex as well. To simply understand under “Democratization of Simulation” that simulation will be made available to non‐simulation experts is not sufficient anymore. We need to look into the specifics of how simulation is being and needs to be used throughout the entire lifecycle of a product or process to understand the specifics of “Democratization of Simulation” based on the use case. The requirements and approach on how to enable this differ very likely for the different segments of the 3 megatrends for the automotive industry – electrification, autonomous driving and MaaS (Mobility as a Service). In this roundtable we would like to discuss how companies approach “Democratization of Simulation” in light of those megatrends, what challenges they are facing and how those can be overcome. 

Presenter Name: Roy, Nantu 

Presenter Company: American Axle Manufacturing 

Presentation Title: Virtual Simulation Verification Process of Parking Pawl Mechanism Based on Multibody Simulations 

Keywords: ADAMS, CAE, FEA, Parking Pawl Mechanism, Virtual Validation 

Abstract:  

Globalisation coupled with reduced and better prototypes, and shorter product development time and reduced cost have spearheaded new levels of competition among automotive manufacturers. The standard design verification process in practice is moving away from a major reliance on physical testing to almost a full virtual simulation product verification process allowing virtual build and validation processes occur concurrently. However, this poses enormous challenges to the CAE engineers as they require a significant increase in the upfront use of numerical simulation capabilities, methods and processes. A vehicle with automatic transmission is fitted with a parking pawl mechanism to avoid the risk posed by unintended vehicle movement. The system has to be robust enough to function safely even in poor tolerance situations, under extreme temperatures and rigorous durability tests. Thorough study is required in the design and approval of a parking mechanism. In this presentation, virtual validation of parking pawl mechanism focusing on early detection and isolation of design flaws, predicting, and optimizing the dynamic characteristics is discussed. A detailed dynamic model was developed in ADAMS with proper solver settings, elastic body, damping and contact formulations. Virtual build should replicate a product’s physical behaviour to provide confidence, among engineers and designers, in the virtual tests. A method to integrate virtual and physical testing is proposed in this work. Tolerance setting of parking pawl mechanism parts and assemblies is assessed as its function is to balance the system functionality with economic factors. Excessively tight tolerances will add cost due to more complex processing stages whereas inadequately wide tolerances will result in insufficient quality and costly rework. Virtual prototypes were built and tested in ADAMS to observe component interactions, and identify the underlying factors. The virtual test rig was also used to capture dynamic load and motion signals at various interfaces, and served as inputs to component FEA for structural evaluations. 

 

Presenter Name: Saini, Nishant 

Presenter Company: Third Wave Systems 

Presentation Title: Machining Process Design Using Numerical Methods for Powertrain Components 

Keywords: Machining Process Design, Mechanistic Modeling, Constitutive Material Models, Toolpath analysis and optimization, Residual Stress 

Abstract:  

Machining process design for modern automotive components benefi