PINNBEAR – Physik-inspirierte neuronale Netze in der Bewertung, Erzeugung und Auslegung von Rahmenstrukturen

• Antragsteller: Professor Dr.-Ing. Sandro Wartzack
• Fachliche Zuordnung: Konstruktion, Maschinenelemente, Produktentwicklung
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 523871886

Die Strukturoptimierung stellt eine wirtschaftliche und effektive Leichtbaumethode dar, insbesondere wenn volle Materialausnutzung in Bezug auf Festigkeit und Steifigkeit gewünscht ist. Die Auslegung und Bewertung von Tragwerken ist dabei eine der häufigsten Aufgaben in der Praxis, die meist mittels numerischer Simulation über Balken- oder Stabelemente erfolgt. Im Rahmen dieser Arbeit sollen alternative Entwurfs- und Bewertungsverfahren solcher 1D-Idealisierungen auf der Basis sogenannter Physik-inspirierter neuronaler Netze (PINN) erforscht werden. Dabei sollen vor allem 3D-Simulationsdaten und 3D-Topologieoptimierungsergebnisse als Trainingsgrundlage dienen, um das Vorhersageverhalten der 1D-Idealisierungen zu verbessern. Insgesamt sollen drei verschiedene PINNs untersucht werden. Das erste PINN soll zu einer verbesserten Vorhersage von physikalischen Größen wie Verformung und Dehnung von 1D-Modellen führen. Das zweite PINN soll optimale Querschnittsparameter auf der Grundlage einer gegebenen 1D-Rahmenstruktur ableiten. Das dritte PINN soll mit Hilfe von Trainingsdaten aus 3D-Optimierungen optimale Entwurfsvorschläge für Rahmenstrukturen vorhersagen, so dass z. B. Knoten mit mehrachsigen Spannungszuständen direkt optimiert und als parametrisches Modell abgeleitet werden können, ohne dass eine komplexe Topologieoptimierung erforderlich ist. Neben dem Training von PINNs wird ein, auf der sogenannten Skelettierung basierendes Verfahren zur vollautomatischen Übertragung von Ergebnissen aus einer 3D-Simulation in ein 1D-Modell untersucht. Dieser vollautomatische Transfer ist notwendig, um die synthetischen Datensätze für die jeweiligen PINNs zu generieren. Abschließend werden die trainierten PINNs miteinander kombiniert, um z. B. für einen Fahrradrahmen eine automatisierte Auswertung, Querschnittsdimensionierung und lokal optimierte Knoten in Echtzeit (wenige Sekunden) zu realisieren.

• DFG-Verfahren: Sachbeihilfen