Hocheffiziente Bestimmung von Materialmodellierungsparametern

Titel: Hocheffiziente Bestimmung von Materialmodellierungsparametern mittels Machine Learning

Projektlaufzeit: laufend

Forschungsbereich: Ingenieurwesen und Betriebswirtschaft

Faserverstärkte Kunststoffe (FRP) können ein stark nichtlineares Verformungsverhalten aufweisen. Um dies präzise zu beschreiben, werden zunehmend komplexe Materialmodelle eingesetzt, die intricate nichtlineare Effekte erfassen. Solche Modelle erfordern im Allgemeinen eine große Anzahl von Parametern, die aus Experimenten bestimmt werden müssen. In dieser Arbeit untersuchen wir, wie Machine-Learning-Techniken eingesetzt werden können, um das Wissen und den zeitintensiven Prozess der Materialparameteridentifikation zu externalisieren.

Ziele

Die sichere Verwendung von FRP und damit die Ausschöpfung ihres Potenzials im Leichtbau erfordert präzise und zuverlässige Vorhersagen ihres Verhaltens. Um die anfängliche Anwendungshürde zu senken, entwickeln wir eine Methodik, die maßgebliche Parameter auf Basis experimenteller Ergebnisse vorhersagt. Diese Vorhersagen können in Kombination mit bestehenden konstitutiven Modellen verwendet werden, um das Verhalten des FRP unter beliebig komplexen Belastungsbedingungen zu bewerten und somit einen robusten Dimensionierungsprozess zu ermöglichen.

Ansatz zur ML-basierten Bestimmung von Materialparametern

Problemstellung

Der Prozess der Parameteridentifikation erfordert derzeit ein tiefgreifendes Verständnis des jeweiligen Modells sowie umfangreiche zusätzliche Kenntnisse des experimentellen Auswerteverfahrens. Dies behindert die Verwendung komplexer oder neuartiger, besser geeigneter und effizienterer Materialmodelle, die genauere Bewertungen von Belastungsszenarien ermöglichen und somit Gewichtseinsparungen ermöglichen würden.

Setup-Workflow für das Training von MatParNet

Technologie

Für das gesamte Training verlassen wir uns ausschließlich auf künstliche Trainingsdaten, die mithilfe des Ziel-Materialmodells generiert werden. Eine auf Convolutional Neural Network (CNN) basierende Modellarchitektur wird trainiert, um Materialmodellierungsparameter auf Basis der Eingabe von Spannungs-Dehnungs-Kurven vorherzusagen. Die optimale Modellarchitektur und das optimale Training-Setup werden durch Hyperparameter-Optimierung (HPO) bestimmt. Das finale CNN ist in der Lage, Modellparameterkombinationen aus experimentellen Spannungs-Dehnungs-Kurven vorherzusagen, die zu einer hervorragenden Übereinstimmung zwischen der experimentellen und der zugehörigen Modellkurve führen.

Leistungsbeispiele aus dem virtuellen Datensatz: basierend auf dem MSE zwischen Parametern (links) und den resultierenden charakteristischen Materialkurven (rechts)

Ausblick

Die entwickelte Methodik wird von ihrer aktuellen Fähigkeit, Spannungs-Dehnungs-Verhalten zu analysieren, erweitert, um auch Zeitinformationen zu berücksichtigen. Dies wird es ermöglichen, Schlüsselaspekte wie Hysteresen in den Belastungsbedingungen sowie viskoses Materialverhalten zu erfassen.

Publikationen

Winkler, P., Koch, N., Hornig, A., Gerritzen, J. (2021). OmniOpt – A tool for hyperparameter optimization on HPC. In H. Jagode, H. Anzt, H. Ltaief, & P. Luszczek (Hrsg.), High Performance Computing – ISC High Performance Digital 2021 International Workshops, 2021, Revised Selected Papers (S. 285-296). Springer, Berlin [u. a.]. https://doi.org/10.1007/978-3-030-90539-2_19

Gerritzen, J., Hornig, A., Gude, M. (2023): Machine Learning based Determination of Material Model Parameters for the Out of Plane Shear Behavior of Fiber Reinforced Plastics. Euromech Colloquium 632 on Data-driven modeling of porous, composite and polycrystalline microstructures for predicting their mechanical and transport properties. Ulm, Deutschland, 20.-22.09.2023.

Gerritzen, J.; Hornig, A.; Gröger, B.; Gude, M. A Data Driven Modelling Approach for the Strain Rate Dependent 3D Shear Deformation and Failure of Thermoplastic Fibre Reinforced Composites: Experimental Characterisation and Deriving Modelling Parameters. J. Compos. Sci. 2022, 6, 318. https://doi.org/10.3390/jcs6100318

Team

Leitung:
Prof. Dr. Maik Gude
Dr. Andreas Hornig

Teammitglieder:
Johannes Gerritzen
Peter Winkler

Partner

• Institut für Leichtbau und Kunststofftechnik – Technische Universität Dresden (TUD)