Zeiteffiziente und datenfreie Bauteil- und Prozesssimulation mithilfe von Physics-Informed Neural Networks

Steigende Anforderungen bei knappen Ressourcen gepaart mit immer komplexeren Materialeigenschaften und Verarbeitungstechnologien vergrößern zunehmend die Aufwände in der Bauteilauslegung. Diese Zielkonflikte lassen sich nur durch eine gemeinsame Optimierung von Material, Geometrie und Prozess für die individuelle Anwendung lösen. Klassische Trial-Error-Experimente erweisen sich dabei schnell als zu kostspielig und auch mit numerischen Simulationen können Optimierungsrechnungen in der Praxis Tage bis Wochen dauern. Einen möglichen Ausweg bieten Methoden des Maschinellen Lernens (ML), insbesondere sogenannte Physics-Informed Neural Networks (PINNs). PINNs lernen im Training technische Zusammenhänge nicht nur datengetrieben aus Beobachtungen, sondern auch – und teilweise nur – aus physikalischen Gesetzen, etwa Energie- oder Impulsbilanzen. Damit sind sie robuster und aussagekräftiger, insbesondere wenn wenige Daten verfügbar sind [1]. In dieser Arbeit wird ein PINN-basierter Optimierungsansatz vorgeschlagen, der Material, Bauteilparameter und Prozessführung gleichzeitig optimiert. Der Ansatz wird demonstriert am Beispiel der Herstellung einer Verbundwerkstoffplatte im Autoklav-Verfahren. ... mehrDie PINNs ermöglichen es, die physikalischen Eigenschaften des fertigen Bauteils in Abhängigkeit von Material, Geometrie und Prozess innerhalb von Sekundenbruchteilen auszugeben. Dadurch wird eine schnelle und ganzheitliche Optimierung von Material-, Geometrie- und Prozessparametern für verschiedene Auslegungsziele ermöglicht, etwa hinsichtlich mechanischer Anforderungen, Prozesszeit oder Bauteilkosten.