iLattice: Mechanistisches maschinelles Lernen für interaktives Design flexibler Gitterstrukturen

• Antragsteller: Professor Dr. Oliver Weeger
• Fachliche Zuordnung: Mechanik ; Konstruktion, Maschinenelemente, Produktentwicklung
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 564439980

Additiv gefertigte, flexible und nachgiebige Gitterstrukturen mit nichtlinearem, funktionalem dynamischem Verhalten bieten erhebliches Potenzial für Anwendungen in maßgeschneiderter Aktuatorik, Energieabsorption und -dissipation, Schwingungsdämpfung, Belüftung oder Gewichtsreduktion in Konsumgütern, Soft Robotik oder Biomedizin. Allerdings sind derzeitige Forschungs- und kommerzielle Entwurfswerkzeuge auf die elastostatische Simulation und Optimierung von Gitterstrukturen beschränkt, können nicht mehrere Entwurfsziele berücksichtigen und vernachlässigen Unsicherheiten in Geometrie, Material oder Belastung. Multiskalen-Modellierungsmethoden sind auf additiv gefertigte Strukturen ohne Skalenseparation und Periodizität oftmals nicht anwendbar, was das computergestützte Design erheblich erschwert. So ist der numerische Aufwand für die hochgradig nichtlineare, dynamische Simulation von flexiblen Gitterstrukturen erheblich, egal, ob diese mit 3D-Volumen oder Balken modelliert werden. Um dieser Herausforderung zu begegnen, bietet das physikbasierte, mechanistische maschinelle Lernen eine praktikable Alternative. So können recheneffiziente, genaue und zuverlässige strukturdynamische Ersatzmodelle erstellt werden. Um es Ingenieuren zu ermöglichen, optimierte Gitterdesigns für verschiedenste Anwendungen zu erhalten, werden darüber hinaus robuste und multikriterielle Optimierungsmethoden benötigt. Das Ziel des iLattice-Projekts ist daher die Entwicklung eines interaktiven Designassistenten für flexible Gitterstrukturen mit hochgradig nichtlinearem dynamischem Verhalten. Genaue, effiziente und robuste Ersatzmodelle für Gittereinheitszellen und -strukturen bilden hierfür die Grundlage. Diese werden durch mechanistisches maschinelles Lernen für thermodynamisch konsistente Dynamik erstellt und mit Designvariablen wie Einheitszellgeometrie und -topologie, Strebendurchmesser oder Materialeigenschaften parametrisiert. Im Anschluss werden sie in nichtlineare und Bayes'sche Mehrziel-Optimierungsmethoden integriert, die für verschiedenste Zielfunktionen und Nebenbedingungen formuliert werden. Darüber hinaus werden Unsicherheiten durch stochastische, robuste Bayes'sche Optimierungsansätze berücksichtigt. Diese Techniken werden in ein benutzerfreundliches, computergestütztes Entwurfswerkzeug integriert. Dieser interaktive Designassistent wird es Ingenieuren ermöglichen, Pareto-optimale, robuste Entwurfsvorschläge zu erhalten und den Designraum auf Basis von Entwurfskriterien, Erfahrung und Intuition auszuschöpfen. Insgesamt wird dieses Projekt die Entwicklung zuverlässiger, mechanistischer maschineller Lernansätze für die Strukturdynamik und ihre Integration mit auf maschinellem Lernen basierenden multikriteriellen und robusten Optimierungsmethoden vorantreiben. Diese Methoden werden für einen interaktiven Designassistenten für flexible Gitterstrukturen genutzt, weisen darüber hinaus jedoch signifikantes Potenzial für eine breitere Anwendung auf.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2353: Mehr Intelligenz wagen – Entwurfsassistenten in Mechanik und Dynamik