Stuttgart, Univ., Diss., 2008.

The ModelicaML graphicalModeling Language and Modelica/UML profile is a language for the description of continuous-time and discrete-time/event-based system dynamics. Modelica ML uses Papyrus as modelling tool implementation platform which is used for editing models. These models may be expressed in UML withoptional textual statements in Modelica as action language code. For the new version ModelicaML 2.0, the need for support in the new Papyrus M1 version was essential. In this master thesis project, new plug-in functionality was developed that has enhanced the existing functionality of the ModelicaML modelling environment within the Papyrus Eclipse plug-in. This includes handling Modelica modifiers as well as new views and component tree views which provides complete list of components for a selected class.

A 1-D dynamic simulation model of a new cooling system for the upcoming Gripen E aircraft has been developed in the Modelica-based tool Dymola in order to examine the cooling performance. These types of low-dimensioned simulation models, which generally are described by ordinary differential equations or differential-algebraic equations, are often used to describe entire fluid systems. These equations are easier to solve than partial differential equations, which are used in 2-D and 3-D simulation models. Some approximations and assumptions of the physical system have to be made when developing this type of 1-D dynamic simulation model. The impact from these approximations and assumptions can be examined with an uncertainty analysis in order to increase the understanding of the simulation results. Most uncertainty analysis methods are not practically feasible when analyzing large 1-D dynamic simulation models with many uncertainties, implying the importance to simplify these methods in order to make them practically feasible. This study was aimed at finding a method that is easy to realize with low computational expense and engineering workload. The evaluated simulation model consists of several sub-models that are linked together. These sub-models run much faster when simulated as standalone models, compared to running the total simulation model as a whole. It has been found that this feature of the sub-models can be utilized in an interval-based uncertainty analysis where the uncertainty parameter settings that give the minimum and maximum simulation model response can be derived. The number of simulations needed of the total simulation model, in order to perform an uncertainty analysis, is thereby significantly reduced. The interval-based method has been found to be enough for most simulations since the control software in the simulation model controls the liquid cooling temperature to a specific reference value. The control system might be able to keep this reference value, even for the worst case uncertainty combinations, implying no need to further analyze these simulations with a more refined uncertainty propagation, such as a probabilistic propagation approach, where different uncertainty combinations are examined. While the interval-based uncertainty analysis method lacks probability information it can still increase the understanding of the simulation results. It is also computationally inexpensive and does not rely on an accurate and time-consuming characterization of the probability distribution of the uncertainties. Uncertainties from all sub-models in the evaluated simulation model have not been included in the uncertainty analysis made in this thesis. These neglected sub-model uncertainties can be included using the interval-based method, as a future work. Also, a method for combining the interval-based method with aleatory uncertainties is proposed in the end of this thesis and can be examined.

Das Ziel der Klimaneutralität Deutschlands bis zum Jahr 2045 stellt unter anderem den Gebäudesektor vor große Herausforderungen. In den letzten Jahren wurde zunehmend erkennbar, dass die Wärmewende einen wichtigen Beitrag zur Klimaneutralität leisten muss. Diese Masterarbeit leistet einen Beitrag zur Wärmewende, indem ein Modell zur thermischen Simulation von Quartieren, die geothermisch versorgt werden sollen, entwickelt und analysiert wird. Neben der dynamischen Simulation von Quartieren wird besonderer Wert auf die Integration der Anlagentechnik in Form von Wärmepumpen, Förderpumen, Speichern und Heizsystemen gelegt, um die definierte Forschungslücke von einerseits sehr performanten und stark vereinfachten Modellen und andererseits sehr detaillierten Simulationen, die einzelne Gebäude betrachten, zu schließen. Des Weiteren sind innerhalb dieser Arbeit unterschiedliche Nutzungszusammensetzung und Standorte des Quartiers zu realisieren. Das Quartiersmodell wird mithilfe der Modelica-Bibliothek GreenCity in der Simulationsumgebung SimulationX erstellt, da diese eine große Auswahl an Elementen bereitstellt, um die genannte Zielstellung zu erreichen. Umgesetzt werden diese Ziele, indem ein Quartiersmodell entwickelt wurde, dessen Gebäude durch ein kaltes Nahwärmenetz verbunden sind. Jedem Gebäude kann eine von vier Nutzungsarten (Wohnen, Bildung, Büro, Einzelhandel) zugewiesen werden. Jedes Gebäude wird außerdem durch drei zusammenfassende Modelica-Elemente, in denen sich Untermodelle befinden, modelliert. Diese beschreiben den Netzanschluss, die Anlagentechnik und das Gebäude. Die Anlagentechnik beinhaltet eine Wärmepumpe, einen Heizpufferspeicher sowie die Möglichkeit der Kühlung des Gebäudes mittels Plattenwärmeübertrager. Das Gebäude selbst beinhaltet die Simulation einer Fußbodenheizung und wird durch eine Zone berechnet.:1 Einleitung 1.1 Hintergrund 1.2 Motivation und Präzisierung der Aufgabenstellung 2 Stand der Technik 2.1 Quartiersdefinitionen 2.2 Dynamische Gebäudesimulation auf Quartiersebene 3 Modellierung 3.1 Grundlegende Modellstruktur und Gebäudemodell 3.2 Erweiterung zum Quartiersmodell 3.3 Modellparameter 3.3.1 Umweltparameter 3.3.2 Gebäudeparameter 3.3.3 Anlagenparameter 3.3.4 Wärmenetzparameter 3.3.5 Simulationsparameter 4 Anwendung der Simulationsmodelle 4.1 Modell zur Verifikation 4.2 Modell zur Validierung 4.3 Angewendetes Quartiersmodell 5 Ergebnisse 5.1 Ergebnisse der Verifikation 5.2 Ergebnisse der Validierung 5.3 Ergebnisse des Quartiermodells 6 Diskussion 6.1 Quartiermodell 6.2 Verifikation und Validierung 7 Zusammenfassung und Ausblick

Die symbolische Aufbereitung mathematischer Modelle ist eine wesentliche Voraussetzung, um die Dynamik komplexer physikalischer Systeme mit Hilfe numerischer Simulationen zu untersuchen. Deren Modellierung mit gleichungsbasierten objektorientierten Sprachen bietet gegenüber der signalflussbasierenden Modellierung den Vorteil, dass die sich aus der Mathematik und Physik ergebenden Gleichungen in ihrer ursprünglichen Form zur Modellbeschreibung verwendet werden können. Die akausale Beschreibung mit Gleichungen erhöht die Wiederverwendbarkeit der Modelle und reduziert den Aufwand bei der Modellierung. Die automatisierte Überführung der Gleichungen in Zuweisungen lässt sich theoretisch auf Modelle beliebiger Größe und Komplexität anwenden. In der praktischen Anwendung ergeben sich jedoch, insbesondere bei der automatisierten Überführung großer Modelle, mathematische Systeme mit sehr vielen Gleichungen und zeitabhängigen Variablen. Die daraus resultierenden langen Ausführungszeiten schränken die Anwendbarkeit der symbolischen Aufbereitung erheblich ein. Die vorliegende Arbeit beschreibt den Prozess der automatisierten Überführung eines Modells bis zur numerischen Simulation. Alle Teilschritte werden detailliert untersucht und bezüglich ihrer theoretischen Komplexität bewertet. Geeignete Algorithmen werden im OpenModelica Compiler umgesetzt und bezüglich ihrer Laufzeit anhand praxisrelevanter Modelle miteinander verglichen und für jeden Teilschritt die beste Implementierung ausgewählt. Dadurch konnte ein nahezu linearer Zusammenhang zwischen Modellgröße und benötigter Zeit zur Überführung erreicht werden. Zusätzlich bietet die Arbeit eine umfassende Dokumentation mit zahlreichen Empfehlungen für die Implementierung eines BackEnds eines Modelica Compilers. Dies erleichtert den Einstieg für neue Entwickler sowie die Weiterentwicklung bestehender Algorithmen. Letzteres wird durch ein modulares Konzept einer BackEnd-Pipeline unterstützt. Außerdem werden Methoden diskutiert, wie ein neues Modul innerhalb dieser Pipeline effizient getestet werden kann. / The symbolic treatment of mathematical models is essential to study the dynamics of complex physical systems by means of numerical simulations. In contrast to signal flow based approaches, modeling with equation-based and object-oriented languages has the advantage that the original equations can be used directly. The acausal description of equations increases reusability and reduces the effort for the modeller. The automated transformation of equations into assignments can in theory be applied to models of any size and complexity. In practice, however, problems arise when large models, i.e. mathematical systems with many equations and time-dependent variables, shall be transformed. Long execution times that occur limit the applicability of symbolic processing considerably. The present work describes the process of automated transformation from a model to program code which can be simulated numerically. All steps are examined in detail and evaluated in terms of its theoretical complexity. Suitable algorithms are implemented in the OpenModelica Compiler. Their execution times are compared by looking at models which are relevant to engineering. The best implementations for each sub-step are selected and combined to a Modelica Compiler BackEnd. Thus a relationship between model size and the time needed for transformation has been achieved which is mostly linear. In addition, a comprehensive discussion with numerous recommendations for the implementation of a Modelica Compiler BackEnd is given. This is supposed to help new developers as well as to facilitate the development of existing algorithms. The latter is supported by a modular concept of a BackEnd pipeline. Moreover, methods are discussed how new modules can be tested efficiently using this pipeline.

Die symbolische Aufbereitung mathematischer Modelle ist eine wesentliche Voraussetzung, um die Dynamik komplexer physikalischer Systeme mit Hilfe numerischer Simulationen zu untersuchen. Deren Modellierung mit gleichungsbasierten objektorientierten Sprachen bietet gegenüber der signalflussbasierenden Modellierung den Vorteil, dass die sich aus der Mathematik und Physik ergebenden Gleichungen in ihrer ursprünglichen Form zur Modellbeschreibung verwendet werden können. Die akausale Beschreibung mit Gleichungen erhöht die Wiederverwendbarkeit der Modelle und reduziert den Aufwand bei der Modellierung. Die automatisierte Überführung der Gleichungen in Zuweisungen lässt sich theoretisch auf Modelle beliebiger Größe und Komplexität anwenden. In der praktischen Anwendung ergeben sich jedoch, insbesondere bei der automatisierten Überführung großer Modelle, mathematische Systeme mit sehr vielen Gleichungen und zeitabhängigen Variablen. Die daraus resultierenden langen Ausführungszeiten schränken die Anwendbarkeit der symbolischen Aufbereitung erheblich ein. Die vorliegende Arbeit beschreibt den Prozess der automatisierten Überführung eines Modells bis zur numerischen Simulation. Alle Teilschritte werden detailliert untersucht und bezüglich ihrer theoretischen Komplexität bewertet. Geeignete Algorithmen werden im OpenModelica Compiler umgesetzt und bezüglich ihrer Laufzeit anhand praxisrelevanter Modelle miteinander verglichen und für jeden Teilschritt die beste Implementierung ausgewählt. Dadurch konnte ein nahezu linearer Zusammenhang zwischen Modellgröße und benötigter Zeit zur Überführung erreicht werden. Zusätzlich bietet die Arbeit eine umfassende Dokumentation mit zahlreichen Empfehlungen für die Implementierung eines BackEnds eines Modelica Compilers. Dies erleichtert den Einstieg für neue Entwickler sowie die Weiterentwicklung bestehender Algorithmen. Letzteres wird durch ein modulares Konzept einer BackEnd-Pipeline unterstützt. Außerdem werden Methoden diskutiert, wie ein neues Modul innerhalb dieser Pipeline effizient getestet werden kann.:1 Einleitung 1.1 Modellierung und Simulation 1.2 Gleichungsbasierte objektorientierte Modellierung und Simulation 1.3 Motivation 1.4 Ziele, Forschungsschwerpunkt und Arbeitsvorhaben 2 Modellierung und Simulation mit Modelica 2.1 Anwendersicht 2.2 Die Modelica Sprache 2.3 Das Modelica Modell 2.4 Transformation des Modells zum Simulator 2.5 Laufzeituntersuchungen eines Modelica Compiler BackEnds 3 Graphen 3.1 Graphen für Gleichungssysteme 3.2 Suchalgorithmen 3.3 Matching Algorithmen 3.4 Laufzeituntersuchungen an Matching Algorithmen mit Modelica 4 Kausalisierung 4.1 Kausalisieren von algebraischen Systemen und Systemen gewöhnlicher Differentialgleichungen erster Ordnung 4.1.1 Zuweisen 4.1.2 Sortieren 4.2 Kausalisieren von differential algebraischen Systemen 4.2.1 Pantelides Algorithmus 4.2.2 Auswahl der Zustände des Systems 4.2.3 Singuläre Systeme 5 Symbolische Optimierung 5.1 Definition und Anwendung symbolischer Optimierungen 5.2 Allgemeine symbolische Optimierung 5.2.1 Finden und Entfernen trivialer Gleichungen 5.2.2 Tearing und Relaxation 5.2.3 Inline Integration 5.2.4 Parallelisierung 5.3 Fachbereichsspezifische symbolische Optimierung 5.3.1 Relaxation O(n) für Mehrkörpersysteme 6 Umsetzung Modelica Compiler BackEnd 6.1 Konzepte für die Implementation 6.1.1 Datenstruktur 6.1.2 Teilschritte der Analyse und Optimierungsphase 6.1.3 BackEnd Pipeline 6.1.4 Kausalisierung 6.2 Testen der Implementation 7 Laufzeituntersuchung an skalierbaren Modellen 7.1 Software-Benchmark Umgebung für Modelica Compiler - ModeliMark 7.2 Modelle für Laufzeituntersuchungen 7.3 Ergebnisse 8 Zusammenfassung und Ausblick / The symbolic treatment of mathematical models is essential to study the dynamics of complex physical systems by means of numerical simulations. In contrast to signal flow based approaches, modeling with equation-based and object-oriented languages has the advantage that the original equations can be used directly. The acausal description of equations increases reusability and reduces the effort for the modeller. The automated transformation of equations into assignments can in theory be applied to models of any size and complexity. In practice, however, problems arise when large models, i.e. mathematical systems with many equations and time-dependent variables, shall be transformed. Long execution times that occur limit the applicability of symbolic processing considerably. The present work describes the process of automated transformation from a model to program code which can be simulated numerically. All steps are examined in detail and evaluated in terms of its theoretical complexity. Suitable algorithms are implemented in the OpenModelica Compiler. Their execution times are compared by looking at models which are relevant to engineering. The best implementations for each sub-step are selected and combined to a Modelica Compiler BackEnd. Thus a relationship between model size and the time needed for transformation has been achieved which is mostly linear. In addition, a comprehensive discussion with numerous recommendations for the implementation of a Modelica Compiler BackEnd is given. This is supposed to help new developers as well as to facilitate the development of existing algorithms. The latter is supported by a modular concept of a BackEnd pipeline. Moreover, methods are discussed how new modules can be tested efficiently using this pipeline.:1 Einleitung 1.1 Modellierung und Simulation 1.2 Gleichungsbasierte objektorientierte Modellierung und Simulation 1.3 Motivation 1.4 Ziele, Forschungsschwerpunkt und Arbeitsvorhaben 2 Modellierung und Simulation mit Modelica 2.1 Anwendersicht 2.2 Die Modelica Sprache 2.3 Das Modelica Modell 2.4 Transformation des Modells zum Simulator 2.5 Laufzeituntersuchungen eines Modelica Compiler BackEnds 3 Graphen 3.1 Graphen für Gleichungssysteme 3.2 Suchalgorithmen 3.3 Matching Algorithmen 3.4 Laufzeituntersuchungen an Matching Algorithmen mit Modelica 4 Kausalisierung 4.1 Kausalisieren von algebraischen Systemen und Systemen gewöhnlicher Differentialgleichungen erster Ordnung 4.1.1 Zuweisen 4.1.2 Sortieren 4.2 Kausalisieren von differential algebraischen Systemen 4.2.1 Pantelides Algorithmus 4.2.2 Auswahl der Zustände des Systems 4.2.3 Singuläre Systeme 5 Symbolische Optimierung 5.1 Definition und Anwendung symbolischer Optimierungen 5.2 Allgemeine symbolische Optimierung 5.2.1 Finden und Entfernen trivialer Gleichungen 5.2.2 Tearing und Relaxation 5.2.3 Inline Integration 5.2.4 Parallelisierung 5.3 Fachbereichsspezifische symbolische Optimierung 5.3.1 Relaxation O(n) für Mehrkörpersysteme 6 Umsetzung Modelica Compiler BackEnd 6.1 Konzepte für die Implementation 6.1.1 Datenstruktur 6.1.2 Teilschritte der Analyse und Optimierungsphase 6.1.3 BackEnd Pipeline 6.1.4 Kausalisierung 6.2 Testen der Implementation 7 Laufzeituntersuchung an skalierbaren Modellen 7.1 Software-Benchmark Umgebung für Modelica Compiler - ModeliMark 7.2 Modelle für Laufzeituntersuchungen 7.3 Ergebnisse 8 Zusammenfassung und Ausblick

The usage of computer networks has increased enormously recently due to many benefits; it facilitates data distribution speed, long distance communication and industrial system control. Due to these reasons, industry systems have started to use computer networks for system control and data transmission. Meanwhile, the limitations of network devices also raise many challenges for network system configuration. To have the best optimized network system, we need to study the network system by performing experiments. However, experiments on the real systems could be expensive and dangerous. Therefore, we need a model to represent the behaviours of the system. This thesis work uses object-oriented acasual modelling language Modelica to model a local area network system, and the development is performed in OpenModelica, an open source Modelica-based modelling and simulation environment. The simulation results are analysed and verified by using a separate requirement verification model.

<p>Simulations are very important for many reasons, and finding ways of accelerating simulations are therefore interesting. In this thesis the feasibility of automatically generating simulation code for a limited set of Modelica models that can be executed on NVIDIAs CUDA architecture is studied. The OpenModelica compiler, an open-source Modelica compiler, was for this purpose extended to generate CUDA code.</p><p>This thesis presents an overview of the CUDA architecture, and looks at the problems that need to be solved to generate efficient simulation code for this architecture. Methods of finding parallelism in models that can be used on the highly parallel CUDA architecture are shown, and methods of efficiently using the available memory spaces on the architecture are also presented.</p><p>This thesis shows that it is possible to generate CUDA simulation code for the set of Modelica models that were chosen. It also shows that for models with a large amount of parallelism it is possible to get significant speedups compared with simulation on a normal processor, and a speedup of 4.6 was reached for one of the models used in the thesis. Several suggestions on how the CUDA architecture can be used even more efficiently for Modelica simulations are also given.</p>

<p>The purpose of this thesis is to examine and present the oportunities of solving</p><p>control problems using Modelica. This is done by creating some demonstration</p><p>examples with exercises. These examples should cover as many types of control</p><p>problems as possible. The exercises are aimed for people with basic knowledge</p><p>in modeling and automatic control engineering but with little or no knowledge</p><p>in Modelica. There are different types of Modelica implementations and the ones</p><p>used in this thesis are OpenModelica and MathModelica.</p>

The simulation tools that are used to model vehicle systems have not been advancing as quickly as the growth of research and technology surrounding the advancements of vehicle technology itself. A topological vehicle systems modelling package would use Modelica to take advantage of the flexibility and modularity of the language, the inherent multi-domain workspace and analytical accuracy of model equations. This package is defined through the use of SuperBlocks, a generalized model that allows the user to select and parameterize the appropriate sub-system directly within the workspace. This palette of SuperBlocks would be implemented within MapleSim6 to create MapleCar. This provides a customized balance between speed and accuracy after taking advantage of advanced graph-theoretic solutions methods used in MapleSim. MapleCar provides several advantages to a user over conventional tools. The SuperBlocks would ease the required steps to model a full vehicle system by providing clear, simple connections to quickly get a simulation assembled. Next, each SuperBlock is represented by a model that contains a replaceable model, a Modelica function which allows its internal model to be changed through a user-friendly parameter selection. The combination of sub-systems accessible directly through a parameter allows a variety of vehicle systems to be easily assembled, as well as provide a container for future models to be shared and published. A short demonstration of connecting these vehicle SuperBlocks from the MapleCar package is provided using MapleSim6. The generalized vehicle component palette provides a straight-forward, customizable drag-and-drop interface to assist in generating vehicle models for simulation. Conclusions and recommendations are provided at the end.