Schnelle Materialbeschreibung mittels künstlicher Intelligenz

Intelligente und automatisierte Materialkartenerstellung: Zur Bedatung von fortgeschrittenen Materialmodellen – der Erstellung von Materialkarten für die Finite Elemente Simulation (FEM) – ist aktuell hochgradig spezifische Expertise nötig, um eine holistische Beschreibung des Materials in der Simulationsumgebung zu erreichen. Dies stellt gerade für Anwender (z.B. in kleinen und mittelständischen Unternehmen) eine große Hürde dar, um ihre Produkte digital zu entwickeln und auszulegen. Die Forschung am Institut für Flugzeugbau im Bereich der schnellen Materialbeschreibung beschäftigt sich damit, diese komplexe, manuelle und subjektive Bedatung der Materialkarten in einem automatisierten Prozess auch dem versierten Entwicklungsingenieur zur Verfügung zu stellen.

KI-Materialbeschreibung:  Für die Materialbeschreibung in der FEM stehen eine Vielzahl an unterschiedlich komplexen analytisch, geschlossen formulierten, Materialmodellen zur Verfügung. Diese Modelle versuchen das Materialverhalten möglichst gut zu erfassen und schaffen dies mit unterschiedlichem Detailgrad und Genauigkeit. Der am Institut verfolgte Ansatz ist die Materialbeschreibung mittels Methoden des maschinellen Lernens (ML) zu ersetzen oder zu ergänzen. Neuronale Netze übernehmen hier den für ein Materialmodell geforderten Transfer von Dehnungen und der Spannungsantwort des Materials. Bereits gezeigt wurde, dass diese Modelle ein klassisches, analytisches Modell erlernen und ersetzen können. Dies bietet den Vorteil von kürzerer Rechendauer, da diese Modelle sehr schnelle Prognosen der Spannung liefern, vor allem im Vergleich zum iterativen Vorgehen bei klassischen Modellen. Aktuelle Arbeiten beschäftigen sich vor allem mit dem Training der ML-Modelle direkt auf experimentellen Versuchsdaten.

Neue Versuche für das Training von KI-Modellen: Um den Spannungs-Dehnungs-Raum von neuartigen Materialien in einer Materialkarte für FEM-Berechnungen ausreichend abdecken zu können, sind bislang eine Vielzahl experimenteller Messungen basierend auf verschiedenen Charakterisierungsversuchen und verschiedenen Probengeometrien nötig, was einen erheblichen Ressourcenaufwand erzeugt. Für den Ansatz der Materialbeschreibung mittels ML-Methoden wird die simulative Entwicklung von neuartigen Charakterisierungsversuchen zur effizienten Trainingsdatengenerierung für die KI-Materialmodellierung erforscht. Ziel ist hierbei, dass durch neuartige Probengeometrien bei uniaxialer Last mehrachsige Belastungszustände erzeugt werden können, die eine effizientere KI-Materialmodellierung ermöglichen als die klassischen Charakterisierungsversuche. Zur weiteren Effizienzsteigerung wird in diesem Forschungsfeld eine Automatisierung der Prüftechnik stetig weiterentwickelt, um mithilfe eines kollaborativen Roboters die experimentellen Charakterisierungsversuche inklusive Vollfeld-Dehnungsmessung automatisiert durchführen zu können.

Optische Messverfahren: Digitale Bildkorrelation (GOM ARAMIS; GOM ATOS), Videoextensometrie, Kollaborativer Roboter UR5e