Biological brains exhibit many interesting and complex behaviours. Understanding of the mechanisms behind brain behaviours is critical for continuing advancement in fields of research such as artificial intelligence and medicine. In particular, synchronisation of neuronal firing is associated with both improvements to and degeneration of the brain's performance; increased synchronisation can lead to enhanced information-processing or neurological disorders such as epilepsy and Parkinson's disease. As a result, it is desirable to research under which conditions synchronisation arises in neural networks and the possibility of controlling its prevalence. Stochastic ensembles of FitzHugh-Nagumo elements are used to model neural networks for numerical simulations and bifurcation analysis. The FitzHugh-Nagumo model is employed because of its realistic representation of the flow of sodium and potassium ions in addition to its advantageous property of allowing phase plane dynamics to be observed. Network characteristics such as connectivity, configuration and size are explored to determine their influences on global synchronisation generation in their respective systems. Oscillations in the mean-field are used to detect the presence of synchronisation over a range of coupling strength values. To ensure simulation efficiency, coupling strengths between neurons that are identical and fixed with time are investigated initially. Such networks where the interaction strengths are fixed are referred to as homogeneously coupled. The capacity of controlling and altering behaviours produced by homogeneously coupled networks is assessed through the application of weak and strong delayed feedback independently with various time delays. To imitate learning, the coupling strengths later deviate from one another and evolve with time in networks that are referred to as heterogeneously coupled. The intensity of coupling strength fluctuations and the rate at which coupling strengths converge to a desired mean value are studied to determine their impact upon synchronisation performance. The stochastic delay differential equations governing the numerically simulated networks are then converted into a finite set of deterministic cumulant equations by virtue of the Gaussian approximation method. Cumulant equations for maximal and sub-maximal connectivity are used to generate two-parameter bifurcation diagrams on the noise intensity and coupling strength plane, which provides qualitative agreement with numerical simulations. Analysis of artificial brain networks, in respect to biological brain networks, are discussed in light of recent research in sleep theory.

Die Energieversorgung unbemannter Flugobjekte (UAV) erfolgt gegenwärtig über Batterie-Module. Diese sind als zusätzliche Bauteile in die Struktur eingebracht. Daher erhöht sich das Gesamtgewicht der Struktur deutlich. Im Sinne der Energiespeicherung existieren verschiedene multifunktionale Konzeptansätze. Hierunter zählen strukturelle, elektrische Energiespeicherungssysteme (SEES). Bei diesen Konzepten erfolgt die Energiespeicherung in den Bauteilen bei gleichzeitiger Erfüllung struktureller Eigenschaften. Somit gelten diese als masselose Energiespeicherungssysteme. Im Rahmen dieser Thesis erfolgt eine Betrachtung verschiedener SEES. Schließlich werden strukturelle Superkondensatoren (SSC) zur Integration in ein UAV ausgewählt. Als Integrationsobjekt dient die Drohne DJI Matrice 600 Pro. Ein SSC mit besten Eigenschaften wird anhand einer systematischen Methode aus der aktuellen Literatur ermittelt. Dieser Favorit wird konzeptionell in die Drohne integriert. Diesbezüglich erfolgen verschiedene, physikalische Berechnungen zu elektrischen Eigenschaften und anliegenden Kräften, sodass Rückschlüsse zur Leistungsfähigkeit getroffen werden können. Im weiteren Verlauf wird eine Mehrkörpersimulation mit der Finite-Elemente-Methode (FEM) am Untersuchungsobjekt durchgeführt. Mit der Kenntnis über die anliegenden Beanspruchungen erfolgt weiterführend eine detailgetreue, strukturmechanische Analyse des SSC unter Verwendung der FEM an repräsentativen Volumenelementen. Fortan wird das multiphysikalische Kopplungsphänomen im strukturellen Elektrolyten simuliert. Hierfür werden mathematische Abhängigkeiten von mechanischen Einwirkungen auf geometrisch, veränderliche Größen ermittelt. Diese werden in eine elektrochemische Simulation überführt, sodass das multiphysikalische Kopplungsphänomen berechnet wird. Als Ergebnis zeigt sich, dass die Kompression des Elektrolyten negative Auswirkungen auf die elektrochemischen Eigenschaften hat...:Symbol- und Abkürzungsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis 1 Einleitung 2 Grundlagen 2.1 Strukturelle elektrische Energiespeicherungssysteme 2.2 Superkondensatoren – Aufbau und Funktionsweise 2.3 Berechnungsgrößen am strukturellen Superkondensator 3 Stand der Forschung 3.1 Literaturrecherche – Strukturelle Superkondensatoren 3.2 Festlegung von Parametern und Auswahl des SSC 4 Anwendungsfall: DJI Matrice 600 Pro 4.1 Produktanalyse DJI Matrice 600 Pro 4.2 Integration des strukturellen Superkondensators in die Struktur 4.3 Berechnung elektrischer Eigenschaften 4.4 Analyse und Berechnung der wirkenden Kräfte 4.5 FEM-Mehrkörpersimulation am UAV-Anwendungsfall 5 Strukturmechanische Simulation am SSC 5.1 SSC-Bereichsanalyse und Simulationsaufgabe 5.2 Repräsentative Volumenelemente und Einheitszelle 5.3 Simulation Bereich 1: Poröse Faser in der Matrix 5.4 Simulation Bereich 2: Fasern in der Matrix 5.5 Simulation Bereich 3: Poröser Elektrolyt 6 Multiphysikalische SSC-Simulation 6.1 Multiphysikalischer Kopplungseffekt 6.2 Analyse der geometrischen Größen Porosität und Tortuosität 6.3 Multiphysikalische Simulation mit COMSOL Multiphysics Zusammenfassung und Ausblick Literatur / Unmanned aerial vehicles (UAV) are currently powered by batteries, which are integrated as additional components within their structure. However, the substantial weight of these batteries leads to increased energy consumption and reduced flight time. In addition to battery-based energy systems, there are alternative concepts that serve multifunctional roles. Structural electrical energy storage systems (SEES) for example carry loads and offer electrical energy storage functions at the same time. In this work, structural Supercapacitors (SSC) are selected as SEES candidates. A systematic approach is employed to integrate an SSC into the DJI Matrice 600 Pro done as an UAV use case. The efficiency of the integrated system is assessed through various physical calculations. Subsequently, a multi-body simulation using the finite element method is conducted on the chosen UAV model. Furthermore, representative volume elements are defined within the structural supercapacitor, and simulations are performed to comprehend the underlying processes. During the exploration of multiphysical coupling effects between mechanical stresses and electrochemical behaviors, certain geometric parameters are identified as influential factors. Regression analysis is employed to formulate mathematical equations representing these dependencies for simulation purposes. A multiphysical simulation is executed, considering compression as a representative load case. The results are evaluated using cyclic voltammetry. The study concludes that mechanical compression loads have an adverse effect on the electrochemical properties of the structural supercapacitor:Symbol- und Abkürzungsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis 1 Einleitung 2 Grundlagen 2.1 Strukturelle elektrische Energiespeicherungssysteme 2.2 Superkondensatoren – Aufbau und Funktionsweise 2.3 Berechnungsgrößen am strukturellen Superkondensator 3 Stand der Forschung 3.1 Literaturrecherche – Strukturelle Superkondensatoren 3.2 Festlegung von Parametern und Auswahl des SSC 4 Anwendungsfall: DJI Matrice 600 Pro 4.1 Produktanalyse DJI Matrice 600 Pro 4.2 Integration des strukturellen Superkondensators in die Struktur 4.3 Berechnung elektrischer Eigenschaften 4.4 Analyse und Berechnung der wirkenden Kräfte 4.5 FEM-Mehrkörpersimulation am UAV-Anwendungsfall 5 Strukturmechanische Simulation am SSC 5.1 SSC-Bereichsanalyse und Simulationsaufgabe 5.2 Repräsentative Volumenelemente und Einheitszelle 5.3 Simulation Bereich 1: Poröse Faser in der Matrix 5.4 Simulation Bereich 2: Fasern in der Matrix 5.5 Simulation Bereich 3: Poröser Elektrolyt 6 Multiphysikalische SSC-Simulation 6.1 Multiphysikalischer Kopplungseffekt 6.2 Analyse der geometrischen Größen Porosität und Tortuosität 6.3 Multiphysikalische Simulation mit COMSOL Multiphysics Zusammenfassung und Ausblick Literatur

As the development of vehicles moves towards shorter development time, new ways of verifying the vehicle performance is needed in order to begin the verification process at an earlier stage. A great extent of this development regards active safety, which is a collection name for systems that help both avoid accidents and minimize the effects of a collision, e.g brake assist and steering control systems. Development of these active safety functions requires extensive testing and verification in order to guarantee the performance of the functions in different situations. One way of testing these functions is to include them in a Hardware in the Loop simulation, where the involved hardware from the real vehicle are included in the simulation loop. This master thesis investigates the possibility to test lateral active safety functions in a hardware in the loop simulation environment consisting of multiple subsystems working on different frequencies. The subsystems are all dependent of the output from other subsystems, forming an algebraic loop between them. Simulation using multiple hardware and subsystems working on different frequencies introduces latency in the simulation. The effect of the latency is investigated and proposed solutions are presented. In order to enable testing of lateral active safety functions, a steering model which enables the servo motor to steer the vehicle is integrated in the simulation environment and validated.

In einer Einleitung werden verschiedene Möglichkeiten der Kopplung unterschiedlicher physikalischer Domänen diskutiert. Begriffe wie Kopplung auf Systemebene über Terminals und auf Feldebene über Lastvektor oder Matrixkopplung werden zugeordnet. Wie diese Kopplungsmöglichkeiten sich in der ANSYS Simulationsumgebung wiederfinden, wird aufgezeigt. Am Beispiel eines Akuators wird erläutert, welche physikalischen Domänen gekoppelt betrachtet werden müssen, um die hier vorhandenen temperaturabhängigen Materialeigenschaften zu berücksichtigen. In einem Beispiel zu einer Steckverbindung wird aufgezeigt, wie eine vom Kontaktdruck abhängige Leitfähigkeit berücksichtigt wird und Ergebnisse aus dieser Simulation werden diskutiert.