KI-gesteuerte Ersatzmodelle beschleunigen Echtzeitsimulationen bei der Herstellung von Verbundwerkstoffen

Quelle | IMDEA

Kürzlich veröffentlichte Forschungsergebnisse des IMDEA Materials Institute (Madrid, Spanien) und der Technischen Universität Madrid (UPM) zielen darauf ab, die Echtzeitsimulationsfähigkeiten für Verbundherstellungsprozesse zu verbessern.

Die Studie „Ein tiefes Ersatzmodell für Füllsimulationen beim Formen flüssiger Verbundstoffe auf unstrukturierten 3D-Gittern“ wurde gemeinsam von Prof. Carlos González, Dr. Davide Mocerino und der Doktorandin Sofia Fernández León von IMDEA Materials sowie den Profs. Roberto Valle Fernández und Luis Baumela.

Empfohlener Inhalt

Die Forscher sagen, dass ihre Forschung wesentliche Einschränkungen aktueller Deep-Learning-Ersatzmodelle zur Simulation von Flüssigkeitsströmen in Verbundwerkstoffherstellungsprozessen angeht und die Ergebnisse das Potenzial datengesteuerter Ansätze zur Verbesserung der Effizienz, Anpassungsfähigkeit und Belastbarkeit in fortschrittlichen Herstellungsprozessen hervorheben.

Den Forschern zufolge sind Simulationen des Liquid Composite Molding (LCM) für die Optimierung von Herstellungsprozessen und die Reduzierung von Fehlern wie Hohlraumbildung unerlässlich. Ihr hoher Rechenaufwand schränkt jedoch traditionell ihren Einsatz in Echtzeitanwendungen ein. Diese Forschung geht diese Herausforderung an, indem sie ein auf Deep Learning basierendes Ersatzmodellierungs-Framework einführt, das in der Lage ist, genaue Vorhersagen in Millisekunden zu liefern und so neue Möglichkeiten für digitale Zwillinge und adaptive Prozesssteuerung zu erschließen.

„Eine wichtige Innovation besteht darin, einen der größten Engpässe in diesem Bereich zu überwinden, indem Recheneffizienz, hohe Genauigkeit und Robustheit gegenüber den unregelmäßigen und unstrukturierten Netzen erreicht werden, die häufig in industriellen Umgebungen vorkommen“, erklärt Fernández León. „Diese Anforderungen werden von bestehenden neuronalen Netzwerkansätzen selten gleichzeitig erfüllt.“

Die Forscher führten außerdem eine mehrfach verzweigte Encoder-Decoder-Architektur ein, um komplexe Geometrien wie T-förmige Stringer zu modellieren, indem sie diese in planare Bereiche zerlegten und die Konsistenz über die Schnittstellen hinweg sicherstellten.

Parallel dazu „ermöglicht die vorgeschlagene Grid-Mapping-Technik die Verwendung von Faltungs-Neuronalen Netzen auf unstrukturierten 3D-Domänen, wobei die Genauigkeit erhalten bleibt und gleichzeitig die Anwendbarkeit auf realistische Fertigungsszenarien erweitert wird“, fügt Fernández León hinzu.

Die resultierenden Ersatzmodelle sollen eine starke Übereinstimmung sowohl mit High-Fidelity-Simulationen als auch mit experimentellen Daten aufweisen und gleichzeitig im Vergleich zu herkömmlichen Methoden Geschwindigkeitssteigerungen von vier bis fünf Größenordnungen erreichen. Dieses Leistungsniveau zielt darauf ab, den Echtzeiteinsatz in digitalen Fertigungsumgebungen zu ermöglichen und effizientere, anpassungsfähigere und belastbarere Verbundproduktionsprozesse zu unterstützen.

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