Das übergeordnete Ziel ist die Entwicklung von schnellen Methoden zur ganzheitlichen virtuellen Optimierung von Strukturen. Im Sinne einer virtuellen Prozesskette sind dafür in drei Bereichen Weiterentwicklungen notwendig: 

• Datengetriebene Approximationen von Fertigungseinflüssen

• Beschleunigte Strukturoptimierungsmethoden

• Integration der Lebenzyklusbewertung in Bauteiloptimierung

Bei Strukturen aus komplex strukturierten Werkstoffen, wie zum Beispiel Faserverbunden, hat der Fertigungsprozess einen großen Einfluss auf die lokalen Eigenschaften des Bauteils. Diese Effekte können durch Prozessimulationen zwar virtuell vorhergesagt werden, aber für eine algorithmische Optimierung des Bauteils in vielen Iterationen sind solche Simulationen zu rechenintensiv. Daher entwickeln wir datengetriebene Methoden zur schnellen Approximation solcher Effekte. 

Beispiele: 

• Schnelle Approximation von Formfüllprozessen diskontinuierlich verstärkter Faserverbundkunststoffe mit Machine Learning
• Bayes'sche Optimierung von Druckparametern im keramischen 3D Druck

Klassische Strukturoptimierungsmethoden sind in der Regel iterative Verfahren mit hohen Rechenzeiten. Wir nutzen Methoden des maschinellen Lernens und automatische Differenzierungsframeworks, um die Optimierung zu beschleunigen.

Beispiele:

• Patch Optimierung mit differenzierbarem FE Modell 
• Physics Informed Neural Networks zur Formoptimierung
• Convolutional Neural Networks in der Topologieoptimierung

Das leichteste Bauteil benötigt weniger Material und reduziert Emission im Einsatz, aber ist es dadruch auch immer das ökologisch beste? Manchmal kann es sinnvoll sein, ein Bauteil so zu gestalten, dass es zwar kurzfristig etwas schwerer ist, aber dafür in einem zweiten Leben besser wiederverwendet werden kann. Wir erforschen, wie wir Produkte ganzheitlich (inkl. Recycling/Reuse/Remanufacturing) optimieren können.