Behandelt werden zufällige lineare Gleichungssysteme modulo 3, wobei in jeder Gleichung genau k Variablen vorkommen. Es wird gezeigt, dass der Schwellwert der Lösbarkeit solcher Gleichungssysteme bei der 2-Kern-Dichte von 1 liegt. Das Resultat ist eine Verallgemeinerung bereits bekannter Resultate für den modulo 2 Fall. Dabei entsteht der 2-Kern dadurch, dass wir alle Variablen mit nur einem Vorkommen löschen. Die Dichte ist definiert als der Quotient der Anzahl der Gleichungen durch die Anzahl der Variablen. Im Rückblick ist dieses Resultat ein natürlicher Schwellwert und die Vermutung liegt nahe, dass er bei analogen Situationen über anderen Strukturen als Z3 auch gelten sollte. Allerdings sind schon im modulo 2 Fall die analytischen Probleme nicht gering, und der hier behandelte Fall braucht weitere analytische Einsichten.

Behandelt werden zufällige lineare Gleichungssysteme modulo 3, wobei in jeder Gleichung genau k Variablen vorkommen. Es wird gezeigt, dass der Schwellwert der Lösbarkeit solcher Gleichungssysteme bei der 2-Kern-Dichte von 1 liegt. Das Resultat ist eine Verallgemeinerung bereits bekannter Resultate für den modulo 2 Fall. Dabei entsteht der 2-Kern dadurch, dass wir alle Variablen mit nur einem Vorkommen löschen. Die Dichte ist definiert als der Quotient der Anzahl der Gleichungen durch die Anzahl der Variablen. Im Rückblick ist dieses Resultat ein natürlicher Schwellwert und die Vermutung liegt nahe, dass er bei analogen Situationen über anderen Strukturen als Z3 auch gelten sollte. Allerdings sind schon im modulo 2 Fall die analytischen Probleme nicht gering, und der hier behandelte Fall braucht weitere analytische Einsichten.

Die FEM-MKS-Kopplung erfordert Modellordnungsreduktions-Verfahren, die mit kleiner reduzierter Systemdimension das Übertragungsverhalten mechanischer Strukturen abbilden. Rationale Krylov-Unterraum-Verfahren, basierend auf dem Arnoldi-Algorithmen, ermöglichen solche Abbildungen in frei wählbaren, breiten Frequenzbereichen. Ziel ist der Entwurf einer fehlerüberwachten Modelreduktion auf Basis von Krylov-Unterraumverfahren und Anwendung auf ein strukturmechanisches Model. Auf Grundlage der Software MORPACK wird eine Arnoldi-Funktion erster Ordnung um interpolativen Startvektor, Eliminierung der Starrkörperbewegung und Reorthogonalisierung erweitert. Diese Operationen beinhaltend, wird ein rationales, interpolatives SOAR-Verfahren entwickelt. Ein rationales Block-SOAR-Verfahren erweist sich im Vergleich als unterlegen. Es wird interpolative Gleichwichtung verwendet. Das Arnoldi-Verfahren zeichnet kleiner Berechnungsaufwand aus. Das rationale, interpolative SOAR liefert kleinere reduzierte Systemdimensionen für gleichen abgebildeten Frequenzbereich. Die Funktionen werden auf Rahmen-, Getriebegehäuse- und Treibsatzwellen-Modelle angewendet. Zur Fehlerbewertung wird eigenfrequenzbasiert ein H2-Integrationsbereich festgelegt und der übertragungsfunktionsbasierte, relative H2-Fehler berechnet. Es werden zur Lösung linearer Gleichungssysteme mit Matlab entsprechende Löser-Funktionen, auf Permutation und Faktorisierung basierend, implementiert. / FEM-MKS-coupling requires model order reduction methods to simulate the frequency response of mechanical structures using a smaller reduced representation of the original system. Most of the rational Krylov-subspace methods are based on Arnoldi-algorithms. They allow to represent the frequency response in freely selectable, wide frequency ranges. Subject of this thesis is the implementation of an error-controlled model order reduction based on Krylov-subspace methods and the application to a mechanical model. Based on the MORPACK software, a first-order-Arnoldi function is extended by an interpolative start vector, the elimination of rigid body motion and a reorthogonalization. Containing these functions, a rational, interpolative Second Order Arnoldi (SOAR) method is designed that works well compared to a rational Block-SOAR-method. Interpolative equal weighting is used. The first-order-Arnoldi method requires less computational effort compared to the rational, interpolative SOAR that is able to compute a smaller reduction size for same frequency range of interest. The methods are applied to the models of a frame, a gear case and a drive shaft. Error-control is realized by eigenfrequency-based H2-integration-limit and relative H2-error based on the frequency response function. For solving linear systems of equations in Matlab, solver functions based on permutation and factorization are implemented.

Die FEM-MKS-Kopplung erfordert Modellordnungsreduktions-Verfahren, die mit kleiner reduzierter Systemdimension das Übertragungsverhalten mechanischer Strukturen abbilden. Rationale Krylov-Unterraum-Verfahren, basierend auf dem Arnoldi-Algorithmen, ermöglichen solche Abbildungen in frei wählbaren, breiten Frequenzbereichen. Ziel ist der Entwurf einer fehlerüberwachten Modelreduktion auf Basis von Krylov-Unterraumverfahren und Anwendung auf ein strukturmechanisches Model. Auf Grundlage der Software MORPACK wird eine Arnoldi-Funktion erster Ordnung um interpolativen Startvektor, Eliminierung der Starrkörperbewegung und Reorthogonalisierung erweitert. Diese Operationen beinhaltend, wird ein rationales, interpolatives SOAR-Verfahren entwickelt. Ein rationales Block-SOAR-Verfahren erweist sich im Vergleich als unterlegen. Es wird interpolative Gleichwichtung verwendet. Das Arnoldi-Verfahren zeichnet kleiner Berechnungsaufwand aus. Das rationale, interpolative SOAR liefert kleinere reduzierte Systemdimensionen für gleichen abgebildeten Frequenzbereich. Die Funktionen werden auf Rahmen-, Getriebegehäuse- und Treibsatzwellen-Modelle angewendet. Zur Fehlerbewertung wird eigenfrequenzbasiert ein H2-Integrationsbereich festgelegt und der übertragungsfunktionsbasierte, relative H2-Fehler berechnet. Es werden zur Lösung linearer Gleichungssysteme mit Matlab entsprechende Löser-Funktionen, auf Permutation und Faktorisierung basierend, implementiert.:1. Einleitung 1.1. Motivation 1.2. Einordnung 1.3. Aufbau der Arbeit 2. Theorie 2.1. Simulationsmethoden 2.1.1. Finite Elemente Methode 2.1.2. Mehrkörpersimulation 2.1.3. Kopplung der Simulationsmethoden 2.2. Zustandsraumdarstellung und Reduktion 2.3. Krylov Unterraum Methoden 2.4. Arnoldi-Algorithmen erster Ordnung 2.5. Arnoldi-Algorithmen zweiter Ordnung 2.6. Korrelationskriterien 2.6.1. Eigenfrequenzbezogene Kriterien 2.6.2. Eigenvektorbezogene Kriterien 2.6.3. Übertragungsfunktionsbezogene Kriterien 2.6.4. Fehlerbewertung 2.6.5. Anwendung auf Systeme sehr großer Dimension 3. Numerik linearer Gleichungssysteme 3.1. Grundlagen 3.2. Singularität der Koeffizientenmatrix 3.2.1. Randbedingungen des Systems 3.2.2. Verwendung einer generellen Diagonalperturbation 3.3. Iterative Lösungsverfahren 3.4. Faktorisierungsverfahren 3.4.1. Cholesky-Faktorisierung 3.4.2. LU-Faktorisierung 3.4.3. Fillin-Reduktion durch Permutation 3.4.4. Fazit 3.5. Direkte Lösungsverfahren 3.6. Verwendung externer Gleichungssystem-Löser 3.7. Zusammenfassung 4. Implementierung 4.1. Aufbau von MORPACK 4.2. Anforderungen an Reduktions-Funktionen 4.3. Eigenschaften und Optionen der KSM-Funktionen 4.3.1. Arnoldi-Funktion erster Ordnung 4.3.2. Rationale SOAR-Funktionen 4.4. Korrelationskriterien 4.4.1. Eigenfrequenzbezogen 4.4.2. Eigenvektorbezogen 4.4.3. Übertragungsfunktionsbezogen 4.5. Lösungsfunktionen linearer Gleichungssysteme 4.5.1. Anforderungen und Aufbau 4.5.2. Verwendung der Gleichungssystem-Löser 4.5.3. Hinweise zur Implementierung von Gleichungssystem-Lösern 5. Anwendung 5.1. Versuchsmodelle 5.1.1. Testmodelle kleiner Dimension 5.1.2. Getriebegehäuse 5.1.3. Treibsatzwelle 5.2. Validierung der Reduktionsmethoden an kleinem Modell 5.2.1. Modifizierte Arnoldi-Funktion erster Ordnung 5.2.2. Rationale SOAR-Funktionen 5.2.3. Zusammenfassung 5.3. Anwendung der KSM auf große Modelle 5.3.1. Getriebegehäuse 5.3.2. Treibsatzwelle 5.4. Auswertung 6. Zusammenfassung und Ausblick 6.1. Zusammenfassung 6.2. Ausblick / FEM-MKS-coupling requires model order reduction methods to simulate the frequency response of mechanical structures using a smaller reduced representation of the original system. Most of the rational Krylov-subspace methods are based on Arnoldi-algorithms. They allow to represent the frequency response in freely selectable, wide frequency ranges. Subject of this thesis is the implementation of an error-controlled model order reduction based on Krylov-subspace methods and the application to a mechanical model. Based on the MORPACK software, a first-order-Arnoldi function is extended by an interpolative start vector, the elimination of rigid body motion and a reorthogonalization. Containing these functions, a rational, interpolative Second Order Arnoldi (SOAR) method is designed that works well compared to a rational Block-SOAR-method. Interpolative equal weighting is used. The first-order-Arnoldi method requires less computational effort compared to the rational, interpolative SOAR that is able to compute a smaller reduction size for same frequency range of interest. The methods are applied to the models of a frame, a gear case and a drive shaft. Error-control is realized by eigenfrequency-based H2-integration-limit and relative H2-error based on the frequency response function. For solving linear systems of equations in Matlab, solver functions based on permutation and factorization are implemented.:1. Einleitung 1.1. Motivation 1.2. Einordnung 1.3. Aufbau der Arbeit 2. Theorie 2.1. Simulationsmethoden 2.1.1. Finite Elemente Methode 2.1.2. Mehrkörpersimulation 2.1.3. Kopplung der Simulationsmethoden 2.2. Zustandsraumdarstellung und Reduktion 2.3. Krylov Unterraum Methoden 2.4. Arnoldi-Algorithmen erster Ordnung 2.5. Arnoldi-Algorithmen zweiter Ordnung 2.6. Korrelationskriterien 2.6.1. Eigenfrequenzbezogene Kriterien 2.6.2. Eigenvektorbezogene Kriterien 2.6.3. Übertragungsfunktionsbezogene Kriterien 2.6.4. Fehlerbewertung 2.6.5. Anwendung auf Systeme sehr großer Dimension 3. Numerik linearer Gleichungssysteme 3.1. Grundlagen 3.2. Singularität der Koeffizientenmatrix 3.2.1. Randbedingungen des Systems 3.2.2. Verwendung einer generellen Diagonalperturbation 3.3. Iterative Lösungsverfahren 3.4. Faktorisierungsverfahren 3.4.1. Cholesky-Faktorisierung 3.4.2. LU-Faktorisierung 3.4.3. Fillin-Reduktion durch Permutation 3.4.4. Fazit 3.5. Direkte Lösungsverfahren 3.6. Verwendung externer Gleichungssystem-Löser 3.7. Zusammenfassung 4. Implementierung 4.1. Aufbau von MORPACK 4.2. Anforderungen an Reduktions-Funktionen 4.3. Eigenschaften und Optionen der KSM-Funktionen 4.3.1. Arnoldi-Funktion erster Ordnung 4.3.2. Rationale SOAR-Funktionen 4.4. Korrelationskriterien 4.4.1. Eigenfrequenzbezogen 4.4.2. Eigenvektorbezogen 4.4.3. Übertragungsfunktionsbezogen 4.5. Lösungsfunktionen linearer Gleichungssysteme 4.5.1. Anforderungen und Aufbau 4.5.2. Verwendung der Gleichungssystem-Löser 4.5.3. Hinweise zur Implementierung von Gleichungssystem-Lösern 5. Anwendung 5.1. Versuchsmodelle 5.1.1. Testmodelle kleiner Dimension 5.1.2. Getriebegehäuse 5.1.3. Treibsatzwelle 5.2. Validierung der Reduktionsmethoden an kleinem Modell 5.2.1. Modifizierte Arnoldi-Funktion erster Ordnung 5.2.2. Rationale SOAR-Funktionen 5.2.3. Zusammenfassung 5.3. Anwendung der KSM auf große Modelle 5.3.1. Getriebegehäuse 5.3.2. Treibsatzwelle 5.4. Auswertung 6. Zusammenfassung und Ausblick 6.1. Zusammenfassung 6.2. Ausblick