KI-gesteuerte Surrogat-Modelle beschleunigen Echtzeit-Composite-Fertigungs-Simulationen

Quelle | IMDEA

Kürzlich veröffentlichte Forschung vom IMDEA Materials Institute (Madrid, Spanien) und der Technical University of Madrid (UPM) zielt darauf ab, Echtzeit-Simulationsfähigkeiten für Composite-Fertigungsprozesse voranzutreiben.

Die Studie, "A deep surrogate model for filling simulations in liquid composite moulding on unstructured 3D grids", wurde mitverfasst von Prof. Carlos González, Dr. Davide Mocerino und Predoktorandin Sofia Fernández León von IMDEA Materials sowie UPM's Profs. Roberto Valle Fernández und Luis Baumela.

Featured Content

Die Forscher sagen, ihre Forschung adressiere Schlüsselbeschränkungen aktueller Deep-Learning-Surrogat-Modelle für die Simulation von Flüssigkeitsströmung in Composite-Fertigungsprozessen, und die Ergebnisse unterstreichen das Potenzial datengesteuerter Ansätze, um Effizienz, Anpassungsfähigkeit und Resilienz in fortschrittlichen Fertigungsprozessen zu verbessern.

Laut den Forschern sind Liquid Composite Molding (LCM) Simulationen essenziell für die Optimierung von Fertigungsprozessen und die Reduzierung von Fehlern wie Hohlraumbildung. Allerdings hat ihr hoher computergestützter Aufwand traditionell ihren Einsatz in Echtzeit-Anwendungen limitiert. Diese Forschung adressiert diese Herausforderung durch die Einführung eines Deep-Learning-basierten Surrogate-Modeling-Frameworks, das in der Lage ist, genaue Vorhersagen in Millisekunden zu liefern und neue Möglichkeiten für Digital Twins und adaptive Prozesskontrolle freizuschalten.

"Eine Schlüsselinnovation hier liegt in der Überwindung eines der Hauptengpässe in diesem Bereich, indem rechnerische Effizienz, hohe Genauigkeit und Robustheit gegenüber den unregelmäßigen und unstrukturierten Meshes erreicht werden, die in industriellen Umgebungen häufig vorkommen", erklärt Fernández León. "Diese Anforderungen werden selten gleichzeitig von bestehenden Neural-Network-Ansätzen erfüllt."

Die Forscher führten auch eine multi-branched Encoder-Decoder-Architektur ein, um komplexe Geometrien wie T-förmige Stringer zu modellieren, indem sie diese in planare Regionen aufteilten und Konsistenz über Schnittstellen hinweg sicherstellten.

Parallel dazu "ermöglicht die vorgeschlagene Grid-Mapping-Technik die Verwendung von Convolutional Neural Networks auf unstrukturierten 3D-Domänen, wobei Genauigkeit bewahrt wird, während die Anwendbarkeit auf realistische Fertigungs-Szenarien erweitert wird", fügt Fernández León hinzu.

Die resultierenden Surrogat-Modelle zeigen angeblich starke Übereinstimmung mit sowohl High-Fidelity-Simulationen als auch experimentellen Daten, während sie Beschleunigungen von vier bis fünf Größenordnungen im Vergleich zu konventionellen Methoden erreichen. Dieses Leistungsniveau zielt darauf ab, Echtzeit-Einsatz in digitalen Fertigungs-Umgebungen zu ermöglichen, was effizientere, adaptive und resiliente Composite-Produktionsprozesse unterstützt.

"Diese Studie unterstreicht das transformative Potenzial der Kombination fortschrittlicher Fertigung mit künstlicher Intelligenz und ebnet den Weg zu voll integrierten, datengesteuerten Produktionssystemen", sagt Fernández León.