Ziel der Beteiligten am Forschungsverbund "Artificial Intelligence for Material Models" ist es, die klassische modellbasierte Werkstoffbeschreibung durch eine alternative, datengetriebene Materialmodellierung zu ergänzen – oder gar zu ersetzen.
Hier legt ein Roboter eine Materialprobe in die Zugprüfmaschine. Im Projekt AIMM werden weitere Messeinrichtungen wie z.B. Kameras für die automatisierte Versuchsdurchführung integriert.
Universität Stuttgart/IFB
Den optimalen Werkstoff für einen bestimmten technischen Zweck zu finden, ist alles andere als trivial. So stellt sich zum Beispiel in der Strukturoptimierung eines Bauteils häufig die Aufgabe, das Gewicht zu minimieren. Für Leichtbaukonstruktionen gilt es, eine Vielzahl von Parametern wie Festigkeit und Steifigkeit zu beachten, und eine entscheidende Fragen lautet: Welcher Werkstoff ist der richtige?
Im Buchkapitel "Grundwissen zur Entwicklung mechanischer Systeme" stellt Axel Schumacher eine Liste mit Anhaltspunkten vor, die der Konstrukteur bei einer zur Gewichtsreduzierung geplanten Werkstoffsubstitution beachten muss. Die Liste ist ziemlich lang und umfasst neben dem spezifischen Gewicht eines Materials unter anderem sein Ermüdungsverhalten (Rissentstehung und Risswachstum), UV-Beständigkeit oder Oberflächenbeschaffenheit (Aussehen, Haptik, Kratzfestigkeit). Zudem Korrosion, chemische Eigenschaften (etwa Geruch), Fertigungsmöglichkeiten (unter anderem Umformbarkeit), Qualitätssicherungsmöglichkeiten (visuell, Röntgen, Ultraschall), Verfügbarkeit (Mengen, Vorlaufzeit, Energiebedarf), Recycling-Fähigkeit, Umweltverträglichkeit, Möglichkeiten zur Beschichtung, Kosten (Beschaffungs- und Fertigungskosten), Temperaturverhalten, Dämpfungseigenschaften, Elektrische Eigenschaften, Energieabsorptionsverhalten, Brandverhalten, Schlagzähigkeit, Schalldämmfähigkeit, Anisotropie sowie vieles andere mehr – und schließlich auch seine Simulierbarkeit ("Optimierung mechanischer Strukturen", Seite 12).
Bei der Entscheidungsfindung, ob etwa eine Stahllegierungen oder ein Kunststoff in einem konkreten Anwendungsfall der Werkstoff der Wahl ist, helfen in der Praxis Materialmodelle. Deren Erstellung ist allerdings ein sehr aufwendiges Unterfangen, wie Schumacher betont. So seien dazu unter anderem Untersuchungen zum Materialverhalten bei unterschiedlichen Temperaturen, bei mehrachsiger Belastung oder bei unterschiedlichen Dehnraten anzustellen. Auch der Einfluss der Fertigung (beispielsweise Gießen oder Tiefziehen?) müsse berücksichtigt werden.
Mühsame Anpassung bestehender Modelle
Und tagtäglich drängen neue Werkstoff in den Markt, buhlen um Aufmerksamkeit, wollen in Computersimulationen unter unterschiedlichen Bedingungen evaluiert werden. Gegenwärtig genutzte Computerprogramme integrieren oft mehrere hundert Modelle zur Beschreibung des Werkstoffverhaltens. Möchte man nun ein neues Material verwenden, werde in der Regel eines der bestehenden Modelle auf die neuen Daten angepasst, sagt Daniel Sommer vom Institut für Flugzeugbau (IFB) der Universität Stuttgart. Dies erfordere jedoch sehr viel Erfahrung, das richtige Modell auszuwählen und die zugrundeliegenden Gleichungen gegebenenfalls weiterzuentwickeln: "Das ist sehr zeitintensiv. In der Industrie soll ein neues Material aber sehr schnell in ein Modell und damit letztendlich in die Produktion."
Um die Berechnungen zu beschleunigen, setzt jetzt das neue Forschungsprojekt "Artificial Intelligence for Material Models" (AIMM) auf Künstliche Intelligenz. Seitens der Universität Stuttgart sind die Institute für Flugzeugbau (IFB) und für Umformtechnik (IFU) beteiligt. Weitere Forschungspartner sind das Ernst-Mach-Institut der Fraunhofer Gesellschaft sowie das Institut für Softwaretechnik und Theoretische Informatik der Technischen Universität Berlin. Auf Industrieseite sind die Mercedes-Benz AG (Konsortialführer) sowie die Firmen ElringKlinger, GOM, Renumics und Dynamore beteiligt. AIMM wird durch das Bundesministerium für Wirtschaft und Energie (BMWi) mit knapp drei Millionen Euro gefördert.
Auf dem Weg zur datengetriebenen Materialmodellierung
Um den Prozess zu beschleunigen, wollen die Projektpartner die klassische modellbasierte Werkstoffbeschreibung durch eine alternative, datengetriebene Materialmodellierung ergänzen oder ersetzen. Statt Gleichungen sollen künftig Methoden des Maschinellen Lernens die Modelle trainieren, so dass diese aus den bestehenden Modellen lernen, wie sich ein Material verhält und sich quasi von selbst kalibrieren.
In AIMM erarbeitet das IFB nach Angaben der Universität Stuttgart vorrangig die Prozesskette einer Methodik zur Beschreibung von Kunststoffen mittels Maschinellem Lernen in der Simulation, wobei der Fokus auf die Entwicklung und Validierung von ML-Modellen für Kunststoff liegt. Dazu bringe das Institut bekannte Grundlagen wie die klassische Materialcharakterisierung und -modellierung in die Projektzusammenarbeit ein. Wichtiger Baustein sei auch die Automatisierung der Prüftechnik zur Generierung reeller Trainingsdaten für Kunststoffe, welche durch optimierte Charakterisierungsversuche die Lernerfahrung der künstlichen Intelligenz darstellten. Um die Daten für das maschinelle Lernen zu gewinnen, verknüpfen die Forscher kollaborative Robotersysteme mit modernster Messtechnik. "Die intelligente Erweiterung der Materialmodellierung im rechnergestützten Engineering (CAE) durch den Einsatz von Maschinellem Lernen, vor allem in der Kombination mit automatisierter Prüftechnik für die reale Lernerfahrung, ist Herausforderung und Chance zugleich", so Peter Middendorf, Leiter des IFB.
Das IFU wird demnach das Umformverhalten von Metallen zunächst klassisch charakterisieren und modellieren, um anschließend simulative Trainingsdaten über das Umformverhalten zu erheben und die Schnittstelle zwischen Simulationen und ML-Trainingsalgorithmen zu validieren sowie neue Charakterisierungsversuche zum Umformverhalten speziell für ML-Modelle zu konzipieren. "Im Projekt zielt unser Ansatz darauf ab, das Materialverhalten von Stählen und Kunststoffen für Fragestellungen in der Umform- und Crash-Simulation beziehungsweise der belastungsgerechten Auslegung von zukünftigen Karosseriekomponenten mit neuartigen und ambitionierten Methoden der Künstlichen Intelligenz deutlich zu vereinfachen und zu beschleunigen", kommentiert IFU-Leiter Mathias Liewald.
"Es gibt viele Möglichkeiten, CAE-Prozesse mittels KI zu unterstützen"
Der Software- und Entwicklungsdienstleister Dynamore will sich nach eigenen Angaben mit seiner Expertise in der Simulation dynamischer Problemstellungen der Strukturmechanik im AIMM-Projekt engagieren. "Die Möglichkeiten mittels Methoden der Künstlichen Intelligenz CAE-Prozesse zu unterstützen, zu optimieren oder sogar zu ersetzen sind vielfältig", sagt André Haufe, Leiter des unternehmenseigenen Material Competence Center (MCC): "Als Spezialisten für die Werkstoffbeschreibung sehen wir gerade auf diesem Gebiet neue und spannende Herausforderungen, zu deren Lösung die Projektpartner in AIMM hervorragend aufgestellt sind." Allerdings, schränkt Haufe ein: "Ein maßgebliches Projektrisiko liegt in der Tatsache, dass eine industrielle Anwendung deutlich höhere Anforderungen an eine robuste Umsetzung sowohl auf der datentechnischen Seite zur Gewinnung von Trainingsdaten als auch auf der Auswertungsseite stellt."