Entwicklung von Machine Learning basierten Materialmodellen für Finite-Elemente-Simulationen

Abstract

Finite-Elemente-Simulationen sind essenziell für die Strukturanalyse mechanischer Komponenten und finden Anwendung in Bereichen wie Umformprozessen und Crashtests. Die Genauigkeit solcher Simulationen hängt stark von den eingesetzten Materialmodellen ab, deren Erstellung jedoch komplex ist. In dieser Arbeit wird untersucht, ob klassische Materialmodelle durch datenbasierte Modelle mittels maschinellen Lernens (ML) ersetzt werden können. Dazu werden verschiedene ML-Modelle mithilfe zufällig generierter Daten aus klassischen Materialmodellen trainiert und hinsichtlich ihrer Eignung bewertet. Im zweiten Teil wird ein Ansatz vorgestellt, ML-Modelle direkt mittels Daten aus Versuchen, ohne ein klassisches Referenzmodell zu trainieren, wobei physikalisch motivierte Gleichungen für das Training genutzt werden. Der Fokus liegt auf der Anpassung und Evaluierung unterschiedlicher Trainingsmethoden für die ML-Materialmodelle.