Adaptives Mesh-basierte skalierbare gelernte Simulation und Optimierung von Herstellungsprozessen

• Antragstellerinnen / Antragsteller: Professorin Dr.-Ing. Luise Kärger; Professor Dr. Gerhard Neumann
• Fachliche Zuordnung: Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 570157846

Ziel des Projekts ist es, die Effizienz und Anwendbarkeit maschineller Lernverfahren für physikbasierte Simulationen technischer Prozesse zu verbessern. Klassische Simulationen, die auf physikalischen Prinzipien und partiellen Differentialgleichungen beruhen, sind zwar präzise, jedoch oft zu rechenintensiv für umfangreiche Optimierungen. ML-basierte Simulatoren bieten hier eine vielversprechende Alternative, da sie bei hoher Genauigkeit deutlich schneller arbeiten. Damit sie für reale technische Probleme nutzbar werden, müssen diese Modelle jedoch weiterentwickelt werden. Das Projekt fokussiert sich auf die Entwicklung robuster und effizienter ML-Methoden zur Simulation und Optimierung komplexer multiphysikalischer Prozesse, insbesondere in den Bereichen thermochemisches Aushärten (TC), Spritzgießen (IM) und additive Fertigung (AM). Im Zentrum stehen Graph-Neuronale-Netzwerke (GNNs), die Materialsymmetrien respektieren. Diese werden durch diffusionsbasiertes Training erweitert, um präzise Langzeitvorhersagen zu ermöglichen. Ergänzend integrieren wir hierarchische Meshes und adaptive Netzverfeinerung, um auch großskalige Probleme effizient abzubilden. Ein weiterer Schwerpunkt liegt auf der Skalierung der Modelle: ML-Algorithmen, die an kleinen Beispielen trainiert wurden, sollen auf große Bauteile übertragbar gemacht werden. Das spart Rechenressourcen und ermöglicht dennoch realitätsnahe Vorhersagen. Zur Erhöhung der Robustheit statten wir die Modelle mit Methoden zur Unsicherheitsschätzung aus, was ihren Einsatz in Optimierungsaufgaben unterstützt. Wir wenden unsere Entwicklungen auf herausfordernde industrielle Aufgabenstellungen an – etwa die Optimierung der Einspritzposition beim Spritzgießen oder die Reduktion von Verzug und Eigenspannungen in der additiven Fertigung. Ein aktives Lernframework hilft dabei, die Trainingsdaten effizient auszuwählen und die Modellgenauigkeit zu verbessern. Die entwickelten Methoden evaluieren wir anhand realitätsnaher Datensätze und etablierter Benchmarks. Zusätzlich erfolgt ein Abgleich mit klassischen Simulationsmethoden und experimentellen Daten – insbesondere in Szenarien, in denen klassische Verfahren an ihre Grenzen stoßen. Insgesamt soll das Projekt den Weg ebnen für praxisnahe ML-basierte Simulation und Optimierung in verschiedenen ingenieurtechnischen Anwendungsfeldern.

• DFG-Verfahren: Sachbeihilfen