Start des DFG-geförderten Projekts PINNBEAR zur Bewertung, Erzeugung und Auslegung von Rahmenstrukturen mittels physik-informierter Neuronaler Netze im Juni 2025
Bei der Generierung eines optimalen Designvorschlages besteht eine wesentliche Herausforderung in der maximalen Ausnutzung des Werkstoffpotenzials und der Vermeidung von Spannungsspitzen bei gleichzeitiger Berücksichtigung verschiedener Randbedingungen und Lasten. Dabei werden immer häufiger computergestützte Algorithmen etwa in der Strukturoptimierung eingesetzt, um geeignete Konstruktionsvorschläge virtuell zu ermitteln. Auf Basis der Topologie, Form sowie parametrischen Eigenschaften können dabei verschiedene Typen der Optimierung kombiniert werden.
In der technischen Mechanik stellen 1D-Elemente in Form eines Stabes oder Balkens eine der meist verbreiteten Abstraktionen dar, für deren Bewertung etwa als Euler-Bernoulli-Balken bestimmte Einschränkungen gelten. Bei einer Zusammensetzung dieser Elemente zu Fachwerken, reicht eine solche Betrachtung beispielsweise an den Rahmenknotenverbindungen aufgrund des möglichen mehrachsigen Verformungs- und Spannungszustandes nicht mehr aus. An dieser Stelle kommen oft Finite-Elemente-Simulationen zum Einsatz, welche allerdings, bedingt durch die Lösung hochdimensionaler Gleichungssysteme, stets mit einem nicht vermeidbaren Rechenaufwand einher gehen.
Im Zuge der zahlreichen aktuellen Entwicklungen im Kontext künstlicher Intelligenz hat sich ein neuartiger Ansatz ergeben, bei dem durch eine spezielle Art von neuronalen Netzen physikalische Verhaltensweisen bei weitaus geringeren Rechenzeiten vorhersagbar sind und gleichzeitig physikalische Modelle erweitert werden können. Hierbei wird das Neuronale Netz einerseits durch synthetische Datensätze und andererseits durch die Bereitstellung von Informationen zu den geltenden physikalischen Gesetzmäßigkeiten trainiert. Im Rahmen des Forschungsprojektes soll durch Nutzung dieser sogenannten physik-informierten Neuronalen Netze (PINN) speziell das strukturmechanische Verhalten sowie die Geometrie von 1D Idealisierung abgeschätzt werden. Dabei kann in Ansätzen auf die Forschungsergebnisse von bereits am KTmfk erfolgreich abgeschlossenen Projekten zurückgegriffen werden. Ziel ist die Entwicklung eines durchgängigen Verfahrens von der Datenerzeugung über den Aufbau bis hin zur Optimierung solcher PINNs