FRAUNHOFER-INSTITUT FÜR KURZZEITDYNAMIK, ERNST-MACH-INSTITUT, EMIDurch den Einsatz von maschinellem Lernen entstehen neue Materialmodelle, mit denen Strukturen sicherer und nachhaltiger ausgelegt werden können.
Während der vergangenen drei Jahre war das EMI am Forschungsprojekt »AIMM« (Artificial Intelligence for Material Models) beteiligt. Gemeinsam mit Partnern aus Industrie und Forschung wurde an der Entwicklung neuartiger Materialmodelle gearbeitet.
Neuartige Materialmodelle aus Versuchsdaten
Ein Materialmodell beschreibt vereinfacht gesagt das Verhalten eines Werkstoffs bei mechanischer Belastung, indem es zu einer gegebenen Dehnung die Spannung im Werkstoff liefert. Klassische Modelle basieren auf einer analytischen Beschreibung und werden anhand von aus Versuchen abgeleiteten Parametern kalibriert. Im Gegensatz dazu erlernen die neuartigen Modelle das Materialverhalten mit Methoden des maschinellen Lernens (ML) direkt aus Versuchsdaten. Dadurch soll die Modellierung des Materialverhaltens vereinfacht werden, was zu verkürzten Entwicklungszeiten und geringeren Kosten bei der Fahrzeugentwicklung beiträgt.
Optimierte Probenkörper
Diese neue Herangehensweise bei der Modellierung erfordert ebenfalls neue Konzepte bei der Materialcharakterisierung. Klassische Versuche zielen darauf ab, möglichst genau definierte Belastungszustände in Probekörpern zu erzeugen, aus denen die Parameter für die Modelle bestimmt werden können. Im Gegensatz dazu benötigen die neuartigen ML-Modelle eine Vielzahl unterschiedlicher Zustände in einem Probekörper, um eine ausreichende Datenbasis für das Training vorzufinden. Am EMI wurden daher optimierte Probekörper entwickelt, die für die experimentelle Ermittlung von Trainingsdaten genutzt werden können.
Prognostizierte Spannungen kommunizieren
Ein Problem, das sich beim Training mit Versuchsdaten ergibt, ist die Tatsache, dass mechanische Spannungen nicht direkt in Versuchen messbar sind. Um die ML-Modelle trainieren zu können, muss ihnen jedoch mitgeteilt werden, ob ihre prognostizierte Spannung richtig oder falsch ist. Gemeinsam mit den Projektpartnern hat das EMI eine Methode erarbeitet, mit der der Trainingsprozess trotz fehlender Spannungen durchgeführt werden kann. Diese basiert darauf, dass in jedem Punkt eines Probekörpers zu jeder Zeit ein Kraftgleichgewicht vorliegt, welches bei einer falschen Prognose des Materialmodells verletzt wäre.
Im Rahmen von AIMM konnten wichtige Fortschritte im Bereich der ML-Materialmodelle erzielt werden, die deren zukünftige Nutzung vorantreiben.
