ISBN 9783843957427

978-3-8439-5742-7, Reihe Luftfahrt

Daniel Sommer
Anwendung von wissensbasierten Methoden und maschinellem Lernen zur Werkstoffbeschreibung in der numerischen Simulation

261 Seiten, Dissertation Universität Stuttgart (2026), Hardcover, A5

Zusammenfassung / Abstract

Eine qualitativ hochwertige Finite-Elemente-Analyse für Umform- und Crashanwendungen erfordert komplexe Materialmodelle, deren Kalibrierung zeitaufwendig und teuer ist. Um die Überführung neuer Werkstoffe in die CAE-Prozesskette zu beschleunigen, entwickelt diese Arbeit Ansätze zur Parameterermittlung durch wissensbasierte Methoden und maschinelles Lernen (ML). Ziel ist die Entkopplung von klassischen, analytischen Formulierungen. Zur Beschleunigung der klassischen Parameteranpassung werden zwei Methoden etabliert: Ein Ähnlichkeitsabgleich in Datenbanken identifiziert Parameter für unbekannte Werkstoffe automatisiert. Zudem wird eine Optimierungsmethode präsentiert, die auf Dehnungsfeld- und Kraftmessungen sowie kontinuumsmechanischen Verlustfunktionen basiert. Diese verzichtet auf aufwendige FE-Nachrechnungen von Versuchen, spart Zeit und erfordert weniger Anwenderwissen. Weiterhin wird eine durchgängige Prozesskette für ML-Materialmodelle entwickelt und in den FE-Löser LS-DYNA integriert. Die Modelle nutzen rekurrente neuronale Netze, die ebene Dehnungskomponenten in Spannungsantworten überführen; Dickenkomponenten und Dehnraten werden hybrid analytisch berechnet. Da das Spannungsfeld im Versuch nicht direkt messbar ist, erfolgt das Training auf Daten komplexer Probekörper mittels evolutionärer Optimierungsstrategien. Dies erlaubt eine modellfreie Werkstoffbeschreibung. Zukünftig müssen physikalische Ansätze stärker in die Netze integriert und Versuche erweitert werden, um pfadabhängiges Verhalten zu erlernen. ML ist ein Wegbereiter künftiger Materialmodellierungen, auch wenn es aktuell noch nicht die Robustheit und Präzision klassischer Modelle erreicht.