2026
Dissertation, RWTH Aachen University, 2026
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak09
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2026-09-04
Online
DOI: 10.18154/RWTH-2026-09970
URL: https://publications.rwth-aachen.de/record/1044995/files/1044995.pdf
Einrichtungen
Thematische Einordnung (Klassifikation)
DDC: 004
Kurzfassung
Moderne physikalische Simulationen müssen zunehmend komplexe Anforderungen erfüllen: heterogene Objektrepräsentationen, nichtlineare Materialien, robuste Kontakt- und Reibungsbehandlung, Differenzierbarkeit sowie hohe Laufzeiteffizienz. Optimierungsbasierte Simulationen bieten für viele dieser Probleme eine gemeinsame Grundlage, indem sie das Kräftegleichgewicht als Minimierung einer globalen Zielfunktion formulieren, die sich mit Newton-Verfahren robust lösen lässt. Der Weg von einem kompakten mathematischen Modell zu einem vielseitigen, robusten, schnellen und differenzierbaren Programm bleibt jedoch schwierig. Diese Dissertation stellt die während meiner Promotion entwickelten Arbeiten an Simulationsinfrastruktur vor, die diese Lücke entlang zweier miteinander verbundener Forschungsrichtungen schließen. Die erste baut auf der symbolischen Darstellung, Differenzierung, Assemblierung und Lösung variationeller Mehrphysikprobleme auf. Die zweite befasst sich mit leistungsfähigen Datenstrukturen und Algorithmen für Simulationen, insbesondere mit nebenläufiger Ausführung, Vektorisierung, Pipelining und der Zerlegung in Teilaufgaben. Zusammen unterstützen beide Forschungsrichtungen die Entwicklung von Simulationssystemen, die anspruchsvolle moderne Anforderungen erfüllen und zugleich zugänglich, robust und effizient bleiben. Zunächst stellt die Dissertation SymX vor, ein auf Simulationen zugeschnittenes symbolisches Framework, das kompakte Definitionen mechanischer Modelle in kompilierte Rechenkerne und assemblierte globale Ableitungen für Newton-Verfahren überführt. Diese Infrastruktur unterstützt weitere Arbeiten, darunter einen stark gekoppelten Simulator für starre und deformierbare Körper mit Reibungskontakt, ein selektives Verfahren zur Stabilisierung von Newton-Verfahren durch Projektion lokaler Hessematrizen sowie differenzierbare Abläufe für inverse Simulationen. Anwendungen in der Robotik und für digitale Menschen begleiten die Darstellung und validieren die Verfahren. Abschließend untersucht die Dissertation leistungsfähige Verfahren zur Nachbarschaftssuche im Kontext der Fluidsimulation. Zusammen zeigen diese Beiträge, dass ausdrucksstarke, robuste, differenzierbare und effiziente Simulationen nicht aus einer einzelnen Technik entstehen, sondern aus dem sorgfältigen Zusammenspiel von Modellierung, Optimierung, Differenzierung und leistungsfähiger Simulationsinfrastruktur.Modern physical simulation is expected to handle increasingly complex requirements: heterogeneous object representations, nonlinear materials, robust contact and friction, differentiability, and runtime efficiency. Optimization-based simulation provides a common language for many of these problems by formulating the balance of forces as the minimization of a global objective, which can be robustly solved with Newton-type methods. However, the path from a compact mathematical model to a rich, robust, fast, and differentiable program remains difficult. This thesis presents the work developed during my doctoral studies on simulation infrastructure to bridge this gap along two connected threads. The first builds on symbolic representation, differentiation, assembly, and solution of variational multiphysics problems. The second concerns high-performance data structures and algorithms for simulation, with emphasis on concurrency, vectorization, pipelining, and task decomposition. Together, these threads support the design of simulation systems that meet demanding modern requirements while remaining approachable, robust, and efficient. The thesis first introduces SymX, a simulation-native symbolic framework that turns concise mechanical model definitions into compiled kernels and assembled global derivatives for Newton-type solvers. This infrastructure supports follow-up work, including a strongly coupled simulator for rigid and deformable bodies with frictional contact, a selective strategy for stabilizing Newton solves through local Hessian projection, and differentiable pipelines for inverse simulation. Applications in robotics and digital humans accompany the presentation and validate the methods. Finally, the thesis studies high-performance proximity detection in the context of fluid simulation.Together, these contributions show that expressive, robust, differentiable, and efficient simulation emerges not from any single technique, but from the careful integration of modeling, optimization, differentiation, and high-performance infrastructure.
OpenAccess:
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT031662089
Interne Identnummern
RWTH-2026-09970
Datensatz-ID: 1044995
Beteiligte Länder
Germany
|
The record appears in these collections: |