Metamodelle von Finite-Elemente-Simulationen auf Basis Rekurrenter Neuronaler Netze

Projektverantwortlich: Prof. Dr.–Ing. Marcus Wagner

Laufzeit: seit 2020

Deep Learning zur Effizienzsteigerung bei der Finite-Elemente-Simulation

Die Finite-Elemente-Methode (FEM) stellt ein probates Mittel zur Untersuchung des Verhaltens von Baugruppen über der Zeit dar. Jedoch führt die hohe Komplexität spezifischer Fragestellungen oft zu langen Berechnungszeiten der Simulationen. Besonders bei transienten Berechnungen kommt dieser Nachteil zum Tragen. Auch mit den am weitesten entwickelten Verfahren der Modellreduktion ist dem nicht ausreichend entgegengetreten.

Ergänzend zu FEM-Modellen kann mit Submodellierungstechniken ein Metamodell auf Basis Künstlicher Intelligenz (KI) aufgesetzt werden. Unter Nutzung Neuronaler Netze werden dabei Teilbereiche der zu untersuchenden Bauteile abgebildet. Speziell geeignete Architekturen zur KI-basierten Submodellierung sind Long-Short-Term-Memory (LSTM) Netze.

Besonders im Bereich der Optimierung ‒ z.B. Topologieoptimierung ‒ müssen viele Berechnungen durchgeführt werden. Gibt es in den zu untersuchenden Strukturen einerseits Bereiche, welche nicht dem Optimierungsgebiet angehören, jedoch andererseits einen Einfluss auf das Verhalten des Optimierungsgebietes haben, so müssen diese Bereiche stets numerisch teuer mitberechnet werden. Deshalb bieten Metamodelle an dieser Stelle Vorteile hinsichtlich der Effizienz.