Integration parametrisierter physikbasierter neuronaler Netze zur Modellierung spalt- und druckabhängiger Wärmeübertragungskoeffizienten in sequentiell ungekoppelten Gießsimulationen (T13) (T13#)

• Fachliche Zuordnung: Metallurgische, thermische und thermomechanische Behandlung von Werkstoffen
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 236616214

Gießsimulationen sind essenziell für effiziente und hochwertige Prozesse, jedoch oft zeitintensiv. Ungekoppelte Simulationen sparen Zeit, verlieren jedoch an Genauigkeit. Dieses Projekt nutzt physik-informiertes Deep Learning basierend auf Operator-Learning, das fundamentale Gleichungen parametrisch lernt. Diese Modelle sind daten-effizient, da sie nur wenige Simulationen benötigen und physikalische sowie thermodynamische Gesetze einhalten. Fortschrittliche HTC-Modelle und Multi-Skalen-Kopplungen verbessern die Präzision. Die Integration in kommerzielle Software WinCast ermöglicht praxisnahe Anwendungen und Tests. Die Methode liefert schnelle, präzise Simulationen und steigert die Wettbewerbsfähigkeit, insbesondere von KMUs.

• DFG-Verfahren: Sonderforschungsbereiche (Transferprojekt)
• Teilprojekt zu: SFB 1120: Bauteilpräzision durch Beherrschung von Schmelze und Erstarrung in Produktionsprozessen
• Antragstellende Institution: Rheinisch-Westfälische Technische Hochschule Aachen
• Unternehmen: RWP GmbH
• Teilprojektleiter: Dr. Markus Apel; Dr.-Ing. Björn Pustal; Dr.-Ing. Shahed Rezaei