ML4ProcessSimulation

Um den Rechenaufwand für die Simulation von Faser-Kunststo-Verbunden (FKV) zu reduzieren, werden Multiskalenansätze genutzt. Dabei wird z.B. die Imprägnierung auf der Faser, der Textil- und der Bauteilebene separat simuliert und zwischen den Skalenebenen Daten ausgetauscht. Dabei werden wie bei jeder Simulation diverse Vereinfachungen getroffen, wie z.B. die Vernachlässigung von Kapillarkräften und die Homogenisierung lokaler Eigenschaften beim Übertrag auf die höhere Ebene. Im Projekt "ML4ProcessSimulation" sollen durch die Integration von Methoden des Maschinellen Lernens die Genauigkeit und die Effizienz der Simulationsworkflows gesteigert werden. Bisher wurden numerische Simulationsmethoden (u.a. Finite-Volumen- und Lattice-Boltzmann-Methode) zur effzienten Erzeugung von Trainingsdaten untersucht. Die Permeabilitätsvorhersage konnten auf Faserebene mit Neuronalen Netzen (NN) vergleichbare Genauigkeiten wie das Experiment erzielen. Neben Feed Forward NN, die Kennwerte als Input benötigen, wurden 3D-Convolutional NN untersucht, die Geometriemodelle als Input nutzen. Diese NN können zur effizienten Vorhersage der lokalen Mikropermeabilität auf der Textilebene integriert werden. Weitere Forschungsarbeiten fokussierten sich auf die Integration physikalischer Gesetzmäßigkeiten in Modelltraining (Physics Informed Neural Networks) und transiente Simulationen von Mehrphasenströmungen, die eine Integration weiterer physikalischer Effekte erlauben. Mithilfe dieser Methode können Lufteinschlüsse in der Faserstruktur abgeschätzt werden, die typischerweise mechanische Schwachstellen im FKV darstellen.

Ziel des Projekts ist die Integration von ML-Methoden in Multiskalen-Simulationsansätze,um relevante physikalische Effekte für eine genaue Simulation von Harzinjektionsverfahren effizient zu berücksichtigen.