Sensitivity analysis as a tool in hygrothermal component analysis

Abstract

Hygrothermisch Bauteilsimulation sind Werkzeuge, die es erlauben, Vorhersagen über das Verhalten und die Dauerhaftigkeit von Konstruktionen zu treffen. Derartige Simulationen bauen auf Eingangparameter, welchen jedoch eine Unsicherheit zugrunde liegt. Diese Unsicherheit in den Eingangsparametern zieht eine Unsicherheit in den Prognosen nach sich. Daher kann eine deterministische Herangehensweise möglicherweise unzureichend sein, um zuverlässige Vorhersagen zu treffen. Als Alternative bietet es sich an, eine stochastische Herangehensweise zu verfolgen. Eine derartige Herangehensweise erlaubt die Bewertung einer Konstruktion basierend auf einer Versagenwahrscheinlichkeit, anstelle der binären Aussage Versagen oder kein Versagen. Zusätzlich ermöglicht sie den Zugang zu weiteren stochastischen Analysemethoden, wie zum Beispiel Sensitivitätsanalysen. Dabei handelt es sich um Methoden, die im Allgemeinen eine Abschätzung des Zusammenhangs zwischen Eingangparametern und resultierenden Zustandsgrößen liefern. Derartige Zusammenhänge können Informationen über eine Reihe von Modelleigenschaften, wie Modellverhalten, Relevanz der Eingangsparameter, Modellstabilität oder mögliches Optimierungspotenzial, liefern. Mit dem Potenzial der stochastischen Analysemethoden kommt jedoch auch ein Bedarf für mehr Eingangsparameter, mehr Rechenaufwand und die Entwicklung von Methoden zur Einschätzung der Zuverlässigkeit der Aussagen. Diese Arbeit beschäftigt sich mit der Anwendbarkeit von Sensitivitätsanalyse im Zusammenhang mit hygrothermischer Bauteilsimulation. Zwei verschiede Sensitivitätsanalysemethoden werden implementiert und ihre Anwendbarkeit in drei Beispielen untersucht. Eine integrierte Methode zur Abschätzung der Zuverlässigkeit der Aussagen wird vorgeschlagen. Die Ergebnisse zeigen, dass die untersuchten Sensitivitätsanalysemethoden in der Lage sind, das Modellverhalten und Schlüsselparameter zu identifizieren. Deutliche Unterschiede im Konvergenzverhalten der beiden Methoden werden festgestellt. Konfidenzintervalle zeigen sich als hilfreiches Kriterium für die Konvergenz von Sensitivitäten. Ihr alleiniger Einsatz zur Sicherstellung der Zuverlässigkeit der Sensitivitäten ist jedoch nicht ausreichend, da sie im Falle einer Methode nicht dazu in der Lage sind, das Versagen der Methode aufzuzeigen. Abschließend wird gezeigt, dass die Anwendung von Sensitivitätsanalyse Unterstützung in der Modelloptimierung liefern kann.

Hygrothermal simulations are tools to predict the reliability and behaviour of a building component. These simulations are based on input parameters, which are subject to significant uncertainty. The uncertainty in the input parameters results in a significant uncertainty in the model output. A deterministic approach may therefore not give a reliable prediction. As an alternative, a probabilistic approach can be followed.Such an approach allows for an evaluation of the component based on a probability of failure instead of a binary failed or not failed. Additionally, this allows applying stochastic analysis methods, such as Sensitivity Analysis (SA). In the most general sense, SA is a tool to estimate input output relations of models. These relations can provide information on a range of properties, for example model behaviour, relevance of input parameters, model stability, or optimization potential. However, the potential of stochastic analysis introduces the need for additional input parameters, a higher computational effort and the development of methods to estimate its reliability.This work revolves around the applicability of SA in hygrothermal simulations on component level. Two different methods of SA are explored, and their application to hygrothermal analysis is tested on three cases. An in the process integrated method to estimate the reliability of resulting sensitivities is proposed.The results show that the investigated SA methods are capable of identifying general model behaviour and identify key parameters. Significant differences in the convergence behaviour of the methods have been observed. Confidence intervals provide a useful indication for the convergence. However, confidence intervals alone are not sufficient in indicating the reliability of the estimated sensitivity, as they fail to identify failure for one of the methods for low sample sizes. Finally, it is demonstrated that SA can provide reliable guidance in model optimisation.