AIMM

Artificial Intelligence for Material Models.

Optimierung der Materialmodellierung mithilfe von Machine Learning

Ihr Ansprechpartner

Dr.-Ing. Norbert Dölle

Mercedes-Benz AG

AIMM

Artificial Intelligence for Material Models

AIMM optimiert die Materialmodellierung für die innovative Produktentwicklung durch Machine Learning und ermöglicht so den ressourceneffizienten Einsatz neuer Werkstoffe.

Materialoptimierung in der Produktentwicklung

Ein wichtiger Schritt für die innovative Produktentwicklung in der Automobilindustrie ist die Materialoptimierung und der Einsatz neuer Werkstoffe. Die Materialoptimierung durch Materialmodelle und Crash-Simulationen ist jedoch aktuell ein langwieriger, aufwendiger Prozess. Je nach Komplexität des zu verwendenden Werkstoffes beziehungsweise der Kombination mehrerer Werkstoffe müssen dazu Materialmodelle entwickelt werden, die auf Modellannahmen basieren.

Besonders an zwei Faktoren zeigt sich, dass die Materialoptimierung effizienter gestaltet werden muss: Zum einen ist die experimentelle Bestimmung der zu berücksichtigenden Parameter aufwendig, zum anderen sind die Simulationsprozesse selbst sehr rechenintensiv. Würde man die Modelle jedoch vereinfachen oder deren Komplexität reduzieren, würde darunter wiederum die Prognosegüte der Simulation leiden.  

Wie können die Prozesse der Materialmodellierung und letztlich der gesamten Produktentwicklung also innovativ und effizienter gestaltet werden?

Ziel von AIMM

Im Projekt AIMM soll in mehreren Schritten ein Verfahren zur Machine Learning-basierten Materialmodellierung entwickelt werden. Hierdurch können präzisere und effizientere Modelle geschaffen werden, welche die aktuellen Prozesse ergänzen und langfristig ersetzen können. Somit wird die Produktentwicklung mit dem Einsatz innovativer Verfahren in verschiedenen Aspekten verbessert.

Beschleunigung der Einführung innovativer Werkstoffe durch interdisziplinäre Zusammenarbeit

Durch die interdisziplinäre Zusammenarbeit in der ARENA2036 wird der Einsatz von Machine Learning (ML) im Bereich der Materialmodellierung revolutioniert. Hier kommen unter anderem die Disziplinen Strukturmechanik, numerische Mathematik, Versuchsdurchführung sowie Messtechnik zusammen, um datengetriebene Modelle in die Prozesskette der Produktentwicklung einzufügen.

Das im Projekt entwickelte Verfahren zur datenbasierten Modellierung ermöglicht die erheblich schnellere und kostengünstigere Einführung neuer Werkstoffe. Die vollständige Automatisierung der Datenerzeugung und -auswertung ermöglicht zudem, das Potenzial der Methode voll auszuschöpfen und einzusetzen. Aufwendige Modellierungsprozesse, die aktuell viele zeitliche, technische und personelle Ressourcen benötigen, werden vereinfacht und die digitale Vorhersagbarkeit von Materialverhalten verbessert. Hierdurch werden sowohl Entwicklung als auch Einsatz innovativer Werkstoffe und Werkstoffkombinationen vorangetrieben.

Die Projektziele auf einen Blick

  • ML-basierte Materialmodelle als schnellere, kostengünstigere Ergänzung beziehungsweise Ersatz für aktuelle Prozesse entwickeln
  • Entwickeln neuer spezifischer Versuchskonzepte zur effizienten Erzeugung notwendiger Trainingsdaten
  • Prozessautomatisierung zur Verkürzung der Charakterisierungs- und Modellierungsphase der datenbasierten Methode
  • Beschleunigte Beschreibung und schneller Einsatz neuartiger Werkstoffe und innovativer Werkstoffkombinationen