Detailseite
Projekt
Entwicklung neuartiger Entwurfsassistenten hinsichtlich komplexer dynamischer Lasten in der Strukturdynamik anhand dynamisch integrierter Verfahren des Maschinellen Lernens
Antragsteller
Professor Dr.-Ing. Merten Stender
Fachliche Zuordnung
Mechanik
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 501847579
Mechanische Systeme sind von zentraler Bedeutung für viele Bereiche mit dringendem gesellschaftlichem Bedarf an Fortschritt besteht, z. B. Dekarbonisierung, Verkehr, Medizin und viele weitere. Die aktuellen Paradigmen der Systemauslegung basieren meist auf einer Reihe von stark vereinfachenden und idealisierenden Annahmen zur Last- und Systemkomplexität, wobei Dynamik eine Störung des stationären Betriebs darstellt. Allerdings kommen statische Lastfälle in realen Systemen nur selten vor: Flugzeugtriebwerke, Windkraftanlagen und Fahrzeugkomponenten arbeiten durchweg unter instationären, nicht-periodischen, mehrskaligen und insgesamt komplexen Lasten. Numerisch zeitaufgelöste Simulationen sind sehr rechenintensiv und aufgrund der inhärenten Ungenauigkeiten bei der Modellierung und Parametrisierung nicht zwingend exakt. Andererseits können experimentell nur wenige Daten von prototypischen Systemen erfasst werden. Infolgedessen fehlt es Konstrukteuren an einem Instrumentarium, mit dem sie Entwürfe in einem frühen Stadium realistischen Belastungsszenarien und formalisierten Kriterien unterziehen und so die Entwürfe auf die tatsächliche Betriebsdynamik abstimmen können. Dieses Projekt hat zum Ziel, neuartige Ansätze des maschinellen Lernens zu entwickeln, um Entwurfsassistenten für das nichtlineare dynamische Verhalten von Strukturen unter komplexen transienten Belastungen abzuleiten. Um dem Entwurfsingenieur einen formalisierten Entwurf des dynamischen Verhaltens einer Struktur unter Hunderten von zeitaufgelösten Szenarien zu ermöglichen, werden neuartige dynamik-integrierte Reservoir Computer (DIRC) vorgeschlagen. Diese neue systematische Entwurfsstrategie passt die Struktur und Komplexität des Vorhersagemodells an die individuelle Systemdynamik an, um so zu hochpräzisen Ersatzmodellen mit geringen Datenanforderungen, Echtzeitfähigkeiten und einem minimalen ökologischen Fußabdruck im Vergleich zu datenintensiven und rechenintensiven Deep-Learning-Techniken zu gelangen. Dieses Projekt wird simulationsgestützte Designstudien im Bereich des dynamischen Verhaltens über heutige numerische und experimentelle Techniken hinaus verbessern. Durch die Kombination von Schwingungstechnik, Netzwerktheorie und modernsten Ansätzen des maschinellen Lernens werden neuartige Entwurfsassistenten entwickelt. Da Dynamik von Natur aus mit sequentiellen Daten verbunden ist, wird eine neue Klasse von dynamik-informierten Lernansätzen verwandt.Die vorgeschlagenen Methoden werden a) eine frühzeitige Auslegung auf instationäre und komplexe Belastungsszenarien im Betrieb mit minimalem Rechenaufwand ermöglichen, b) flexibel und modular sein, um eine direkte Integration in etablierte numerische und experimentelle Verfahren zu ermöglichen, und c) für eine Reihe von Benchmark-Systemen entwickelt und validiert werden, die die Spanne (quasi-)periodischer, irregulärer, instationärer, und räumlich-zeitlicher Dynamik sowohl numerisch als auch experimentell abdecken.
DFG-Verfahren
Schwerpunktprogramme
