Titelaufnahme

Titel
Visual analysis of complex simulation data using multiple heterogenous views / Helmut Doleisch
VerfasserDoleisch, Helmut
Begutachter / BegutachterinGröller, Eduard ; Schumann, Heidrun
Erschienen2004
UmfangXII, 161 S. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Diss., 2004
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (GND)Numerische Strömungssimulation / Datenanalyse / Visualisierung
URNurn:nbn:at:at-ubtuw:1-9086 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Visual analysis of complex simulation data using multiple heterogenous views [10.51 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Computational Fluid Dynamics (CFD) simulation has become very popular and is used in a wide variety of applications. Applications range from the automotive industry to aerodynamics to environmental and weather simulation, and many more. CFD simulation is popular for several reasons, including that many phenomena can be studied more easily through simulation. Measuring approaches might influence and change flow behavior. Computational simulation speeds up the design and development process of many products.

Typically, CFD simulation results in very large data sets. Results are also usually time-dependent and multi-variate, including many attributes for each simulated point in space and time, e.g., flow vectors, pressure, temperature, mass fraction values of chemical substances, etc.

Analyzing such data sets is not an easy task for the engineers, who have to investigate and evaluate the results. Visualization can be used to support the exploration and analysis of these data sets.

Most current visualization methods for data from 3D flow simulation focus either on displaying geometric objects (e.g., streamlines, isosurfaces, etc.), or on feature-based methods employing special feature extraction and tracking techniques. However, these approaches usually do not allow the user to easily and interactivly investigate the multi-dimensional interrelations between different data attributes. The feature extraction process is usually done in a (semi-)automatic way, not allowing for interactive changes of the feature specification.

The central theme of this thesis is to provide a flexible framework for interactive visual analysis of large, multi-dimensional, and time-dependent data sets resulting from flow simulation. In other words, the focus of this work is to develop a framework, which combines multiple, rather well-known concepts from scientific and information visualization, to build a new feature-based visualization framework which is based on user-driven visual analysis. This framework is called SimVis.

The major strength of the newly presented visualization approach lies in a balanced combination of several different innovations. These by themselves are not all completely new and some may (to a certain extend) also be found as isolated solutions in other approaches (or in other combinations). Nevertheless, in the combinations proposed here, each component builds an integral part of the framework, which combines different individual solutions to attain maximal flexibility, while still providing solid and stable analysis tools.

The innovations that contribute to this interactive feature specification framework include (1) the combination of views and methods from scientific visualization and information visualization, (2) a sophisticated interaction scheme allowing for fast and flexible information drill-down by means of advanced brushing mechanisms, (3) a fuzzy notion of feature specification and composite specifications, (4) enabling focus+context visualization (especially in the spatial domain of 3D rendering), (5) providing proper access to the special data dimension of time, and (6) coping with interactive visualization of relatively large data sets on standard PCs. Also, with the help of integrating attribute derivation (a mechanism for interactive calculation of derived data attributes) and advanced brushing mechanisms, the specification of time-dependent features, i.e., features inherently depending on the special data dimension of time, is realized.

Finally two case studies are presented that demonstrate that the framework presented here is indeed generally applicable (e.g., to the automotive industry, aerodynamics, molding, climate simulations, etc.), and how it compares to other solutions and how it adds additional information and value to current methods.

Zusammenfassung (Englisch)

Computational Fluid Dynamics (CFD) Simulationen sind in letzter Zeit in immer häufigerem Einsatz in einer Vielzahl von unterschiedlichsten Anwendungsgebieten. Die Anwendungen reichen dabei vom Einsatz in der Automobilindustrie, über Anwendungen im Gebiet der Aerodynamik, bis hin zu Beispielen aus Umwelt- oder Wetter- und Klimadatensimulationen (und vielen anderen mehr). CFD Simulationen werden aus vielen Gründen immer beliebter und öfter eingesetzt, unter anderem, weil viele Phänomene leichter durch Simulation am Computer untersucht werden können, oder auch, weil auf Computern berechnete Simulationen normalerweise die Design- und Entwicklungsprozesse von vielen Produkten erheblich beschleunigen.

Typische CFD Simulationen erzeugen sehr große Mengen an Ergebnisdaten.

Außerdem sind die Ergebnisse normalerweise auch zeitabhängig und multivariat, was bedeutet, dass eine Vielzahl an verschiedenen Datenattributen für jeden Datenpunkt im Raum und für jeden Zeitschritt der Simulation vorhanden ist. Beispiele von solchen Datenattributen sind Strömungsvektoren und -geschwindigkeiten, Druck, Temperatur, oder Konzentrationen von bestimmten chemischen Substanzen. Die Analyse von solchen Ergebnisdatensätzen ist oft nicht einfach für die Ingenieure, die die Daten untersuchen und bewerten sollen. Dabei kann Visualisierung unterstützend eingesetzt werden.

Die meisten heute verwendeten Visualisierungsmethoden für Daten welche aus einer 3D Strömungssimulation resultieren, verwenden entweder geometrische Strömungsvisualisierungsmethoden (wie z.B.: Streamlines, Isosurfaces, etc.), oder sogenannte merkmals-basierte Methoden, wo zuerst Merkmale (Features) in den Daten extrahiert werden müssen und dann Feature Tracking durchgeführt wird. Allerdings erlauben diese Ansätze normalerweise keine interaktive und einfache Steuerung des Visualisierungsprozesses, speziell kann nicht interaktiv festgelegt werden, welche Daten gerade von größtem Interesse (also ein Merkmal) sind. Die Spezifikation der Merkmale ist normalerweise nur (semi-) automatisch möglich.

Das zentrale Thema dieser Dissertation ist die Entwicklung eines flexiblen Systems für die interaktive visuelle Analyse von großen, multi-dimensionalen und zeitabhängigen Ergebnissen von Strömungssimulationen. Dazu werden mehrere bekannte Methoden und Technologien aus den Bereichen der Visualisierung von wissenschaftlichen Daten (Scientific Visualization, SciVis) und der Informationsvisualisierung (Information Visualization, InfoVis) kombiniert, um daraus einen neuen Ansatz für ein merkmals-basiertes Visualisierungskonzept abzuleiten. Das System, in dem dieser Ansatz exemplarisch angewandt und entwickelt wird, heißt SimVis.

Die besondere Stärke des hier neu präsentierten Visualisierungsansatzes liegt in einer ausgewogenen Kombination einer Vielzahl von kleinen neuen Innovationen. Diese alleine sind nicht alle komplett neu, bzw. wurden sie schon in anderen isolierten Lösungen und Ansätzen verwendet (teilweise in anderen Kombinationsformen). Allerdings stellt die hier präsentierte Form der Kombination dieser Einzellösungen einen neuen Ansatz dar, welcher gleichzeitig maximale Flexibilität auf der einen Seite, und einen stabilen Analyseprozess auf der anderen Seite ermöglicht.

Die einzelnen Innovationen, die zu diesem neuen Ansatz beitragen, beinhalten (1) eine Kombination von Ansichten und Methoden aus SciVis und InfoVis, (2) ein ausgeklügeltes Schema zur Interaktion, basierend auf erweiterten Brushing-Methoden, (3) unscharfe Klassifikationen zur Merkmalsspezifikation (auch zusammengefügte Spezifikationen sind möglich), (4) Fokus+Kontext Visualisierungsmethoden (speziell für die 3D Darstellungen), (5) eine spezielle Behandlung der Zeit, die eine besondere Datendimension darstellt, und (6) das Ermöglichen eines interaktiven Visualisierungsprozesses auch für relativ große Datenmengen auf Standard PC-Systemen. Zusätzlich ermöglicht unser neuer Ansatz durch die Integration von Attributableitungen (eine Methode, um interaktiv neue Datendimensionen, basierend auf Informationen aus den bisher bestehenden Dimensionen, abzuleiten) und erweiterten Brushing-Methoden, eine Spezifikation von zeitabhängigen Merkmalen. Diese Merkmale sind speziell von der zeitlichen Dimension der Daten abhängig.

Abschließend werden sowohl zwei Fallstudien aus dem Bereich der Automobilindustrie präsentiert, als auch die generelle Anwendbarkeit des hier neu entwickelten Ansatzes gezeigt. So lassen sich in SimVis leicht Daten aus den verschiedensten Anwendungsbereichen mit den selben Methoden untersuchen und analysieren, z.B. aus dem Bereich der Aerodynamik, von Klima und Wettersimulationen, von Simulationen von Spritzgussverfahren, aus medizinischen Anwendungsgebieten, usw.