AIMM

Artificial Intelligence for Material Models.

Optimierung der Materialmodellierung mithilfe von Machine Learning

Logo des Projektes "Artificial Intelligence for Material Models" (AIMM)
Ihr Ansprechpartner

Dr.-Ing. Said Jamei

Mercedes-Benz Group AG

AIMM

Artificial Intelligence for Material Models

AIMM schlägt neue Methoden für die innovative Produktentwicklung durch Erstellung von Machine-Learning-unterstützen Materialmodellen vor und ermöglicht so den ressourceneffizienten Einsatz neuer Werkstoffe.

Materialoptimierung in der Produktentwicklung

Digitale Auslegungsmethoden stellen heutzutage die zentralen Werkzeuge in der Produktentwicklung dar. Hierzu existieren bereits realitätsnahe Simulationsmodelle zur Prozesssimulation (z.B. Spritzgusssimulation) und Struktursimulation (z.B. NVH- und Crashsimulation), welche physikalische Phänomene präzise abbilden und damit virtuelle Versuche ermöglichen. Mittels Topologieoptimierung ist es heute möglich, materialeffiziente Leichtbaulösungen in einem hochautomatisierten Prozess zu finden.

Neueste Algorithmen in kommerziellen Simulationsprogrammen sind zusätzlich in der Lage, auch verschiedene Materialien optimal auszuwählen und einzusetzen. Die Grundlage der Simulationen bilden Materialmodelle, welche die spezifischen Materialeigenschaften wie Plastizität, Anisotropie und Schädigung erfassen. Die Erstellung sowie Bedatung von klassischen Materialmodellen ist jedoch aktuell ein langwieriger, aufwändiger Prozess.

Besonders an zwei Faktoren zeigt sich, dass die Materialmodelle effizienter gestaltet werden müssen: Zum einen ist die experimentelle Bestimmung der zu berücksichtigenden Parameter Zeit- und Kosten-intensiv, zum anderen benötigen die Simulationsprozesse hohe Rechenleistungen. Würde man die Modelle jedoch vereinfachen oder deren Komplexität reduzieren, könnte darunter wiederum die Prognosegüte der Simulation leiden.

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

Entwicklung eines Machine Learning-basierten Verfahrens zur Materialmodellierung

Ziel des Vorhabens AIMM ist es, die klassische Materialmodellierung durch eine alternative datengetriebene und damit digitale Materialmodellierung zu ergänzen oder zu ersetzen. Durch die Etablierung von Machine-Learning-Methoden (ML) in der simulationsgestützten Fahrzeugentwicklung sollen aufwändige Modellierungsprozesse vereinfacht werden, was zu einer Verkürzung der Entwicklungszeiten führt und die digitale Funktionsabsicherung (durch einen größeren Anwenderkreis) ermöglicht. Darüber hinaus können Rechenzeiten reduziert werden, da durch den Einsatz von ML-Modellen iterative Lösungen von Materialgleichungen möglicherweise vermieden werden können.

So können Berechnungen schneller erfolgen, sie benötigen weniger Hardwareressourcen und es können mehrere Varianten in gleicher Zeit betrachtet werden. Vor dem Hintergrund des Einsatzes neuer und komplexer Werkstoffe sollen die Grenzen der konventionellen Materialmodellierung überwunden werden und eine schnelle Materialbeschreibung für neue Materialien erfolgen.

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 der Künstlichen Intelligenz, Strukturmechanik, der numerischen Mathematik, Versuchsdurchführung sowie die der 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 ist ein Enabler für die vollständige Nutzung der Potenziale der Methode. Aufwändige Modellierungsprozesse, die aktuell viele zeitliche, technische und personelle Ressourcen benötigen, werden vereinfacht und die digitale Vorhersagbarkeit von Materialverhalten verbessert. Hierdurch werden sowohl die Entwicklung als auch der Einsatz innovativer Werkstoffe und Werkstoffkombinationen vorangetrieben.

Arbeitspakete von AIMM:

Projektziele von AIMM auf einen Blick:

  • Entwicklung präziserer und effizienterer Materialmodelle durch Ergänzung oder Substitution klassischer Materialmodelle mit ML-basierten Modellen
  • Entwickelung neuer spezifischer Versuchskonzepte zur effizienten Erzeugung notwendiger Trainingsdaten
  • Prozessautomatisierung zur Verkürzung der Charakterisierungs- und Modellierungsphase
  • Beschleunigte Beschreibung und schneller Einsatz neuartiger Werkstoffe

Projektpartner und Förderer von AIMM

Projektpartner

  • Großunternehmen: Mercedes-Benz AG, ElringKlinger AG
  • KMU: DYNAmore GmbH
  • Forschungsinstitute: TU Berlin-IDA, FhG EMI, Uni Stuttgart-IFB und IFU
  • Assoziierte Projektpartner: GOM GmbH, Renumics GmbH

AIMM wird gefördert vom Bundesministerium für Wirtschaft und Klimaschutz (ehem. BMWi) unter dem Förderkennzeichen 19|20024A.