Forschungsgruppe Physikinformierte Neuronale Netze
Das Mechatronik-Institut Bocholt und das Institut für Maschinenbau in Gelsenkirchen haben Promotionsvorhaben in aktuellen Forschungsbereichen durchgeführt, die unter der Klammer der sogenannten Physics-Informed Neural Networks (PINNs) erweitert und industrietauglicher gemacht werden können.
Insbesondere bei der Betrachtung von Varianten zur Optimierung von mechanischen Strukturen oder physikalischen Vorgängen können sie mit herkömmlichen numerischen Simulationen kombiniert werden und Untersuchungen signifikant beschleunigen.
Strömungsdynamik
Am Mechatronik-Institut Bocholt sind in den letzten Jahren mehrere wissenschaftliche Untersuchungen von PINNs im Bereich der Strömungsdynamik durchgeführt worden. Der Fokus der andauernden Forschungstätigkeit liegt auf der Anwendung von PINNs zur Erstellung von Modellen technischer (turbulenter) Strömungen, mit denen die Strömung für beliebige geometrische Varianten valide vorhergesagt werden kann. Erfolgreich angewandt wurden PINNs am MIB für Profile der Blätter von Windenergieanlagen unter variablen Anströmrichtungen sowie für die Belüftung von Nutztierställen unter variablen Parametern wie Anströmrichtung und Stallarchitektur.
Topologieoptimierung
Am Institut für Maschinenbau wurde in den letzten Jahren ein neues Verfahren zur Topologieoptimierung 3D-fräsbarer Strukturen entwickelt. Die Ergebnisse wurden in Structural and Multidisciplinary Optimization publiziert. Dies leistet einen Beitrag zum praxisorientierten Design hochperformanter Bauteile.
Aktueller Fokus
Effizienzsteigerung durch KI
Die präzise Anpassung an sich ändernde Bauteilkonturen mittels Finiter-Elemente-Methoden (FEM) ist rechentechnisch aufwändig. Daher forschen wir aktuell an einer hybriden Gradientenbestimmung. Hierbei kombinieren wir klassische numerische Verfahren mit der Vorhersagekraft von PINNs, um die Effizienz zu steigern.
Wirtschaftliche Strukturoptimierung
Ein weiterer Fokus liegt auf der Nutzung von maschinellem Lernen zur ökonomischen Bewertung von Bauteilen. Wir haben kürzlich einen auf neuronalen Netzen basierenden Ansatz entwickelt, mit dem die voraussichtlichen Fräskosten bereits während der Optimierung prognostiziert werden können. Der entscheidende Vorteil: Maschinelles Lernen kompensiert Diskretisierungsfehler und Netzrauschen, was die Robustheit der Prognose signifikant erhöht.
Team
An den genannten Beispielen und weiteren Anwendungen wie Getriebeherstellung, Stahlschweißkonstruktionen oder der Verbesserung des Angebotsprozesses von Dampfturbinen arbeitet das Team Christopher Colling, Dirk Fröhling, Jan Hauke Harmening, Klaus Mecking, Chandra Narra, Franz-Josef Peitzmann und Marcel Seiler.
