Bei der Emissionsreduktion des klimaschädlichen CO2 kommt Faser-Kunststoff-Verbunden (FKV) dank ihres Leichtbaupotentials eine Schlüsselrolle zu. Deshalb gewinnt ihr Einsatz - unter anderem in der Fahrzeug- und Luftfahrtindustrie oder auch im Bereich der erneuerbaren Energien, z.B. in Form von Rotorblättern von Windkraftanlagen - zunehmend an Bedeutung. Eine der Voraussetzungen für eine breite industrielle Anwendung sind robuste und effiziente Produktionsprozesse.
Zur Unterstützung der Prozessauslegung werden derzeit Prozesssimulationen, häufig basierend auf der Finite-Elemente-Methode, eingesetzt. Hierbei werden den finiten Elementen physikalische Eigenschaften zugeschrieben, die das Verarbeitungsverhalten von Fasern, Polymeren oder einer Kombination aus beidem repräsentieren. Die inhärente strukturelle Komplexität der Faserstrukturen führt zu großen Herausforderungen, da sich die physikalischen Effekte auf unterschiedlichen zeitlichen und räumlichen Skalenebenen abspielen. Dies wird am Beispiel der Flüssigimprägnierverfahren besonders deutlich, bei denen eine trockene Faserstruktur mit einem flüssigen Harzsystem infiltriert wird. Bei der Imprägnierung entstehen hier von Kapillardrücken beeinflusste Strömungen innerhalb der Faserbündel (Fließkanaldurchmesser von wenigen µm), während gleichzeitig Strömungen zwischen den Faserbündeln (Fließkanäle von mehreren mm) v. a. stark vom im Prozess anliegenden Differenzdruck abhängig sind. Um diese Effekte durch Prozesssimulationen zu betrachten und zu verstehen, sind komplexe Simulationsmodelle auf den verschiedenen Skalenebenen erforderlich (Bild 1).
Das Projekt „ML4ProcessSimulation“
Das Projekt „ML4ProcessSimulation - Maschinelles Lernen für Simulationsintelligenz bei der Prozessauslegung für Verbundwerkstoffe“ stellt sich der zentralen Herausforderung, effektive Multiskalen-Simulationsmethoden zu entwickeln, die alle relevanten physikalischen Effekte von der Faser- bis zur Bauteilebene berücksichtigen, aber dennoch im Hinblick auf den Rechenaufwand beherrschbar bleiben. Hierzu werden innovative Methoden des maschinellen Lernens synergetisch mit konventionellen Simulationsmethoden kombiniert (Bild 2). So wird neben datengetriebenen Methoden und Physics Informed Neural Networks (PINNs) u. a. auch die ordnungsreduzierte Modellbildung mit Hilfe des maschinellen Lernens untersucht, um recheneffiziente Simulationen zu realisieren. Weiterhin wird erforscht, wie vorhandenes Prozesswissen bzgl. der physikalischen Zusammenhänge in den Simulations-Workflow einfließen könnte, um die Qualität der Vorhersagen zu verbessern.
Das Projekt wird gefördert durch die Leibniz-Gemeinschaft, nach einem Erfolg im hochkompetitiven Leibniz-Wettbewerb. Im Projektkonsortium werden Kernkompetenzen der Science and Innovation Alliance Kaiserslautern (SIAK) und der Leibniz-Gemeinschaft gebündelt: die Projektleitung obliegt dem Leibniz-Institut für Verbundwerkstoffe (IVW), in Zusammenarbeit mit dem Fraunhofer-Institut für Techno- und Wirtschaftsmathematik (ITWM) und dem Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI). Mit dem Weierstraß-Institut für Angewandte Analysis und Stochastik (WIAS) und dem Leibniz-Institut für Polymerforschung (IPF) sind zudem zwei weitere Einrichtungen der Leibniz-Gemeinschaft an Bord; die international renommierten Professoren J. Nathan Kutz (University of Washington) und Prof. Suresh Advani (University of Delaware) agieren als Mentoren.
Im Frühling gestartet fand im Herbst das erste große Konsortiumsmeeting in Kaiserslautern statt (Bild 3). Neben dem produktiven Austausch standen interessante Führungen durch die Labore und Räumlichkeiten des IVW, des ITWM und des DFKI auf dem Programm.
Das Projekt „ML4ProcessSimulation - Maschinelles Lernen für Simulationsintelligenz bei der Prozessauslegung für Verbundwerkstoffe“ wird von der Leibniz-Gemeinschaft im Rahmen der Leibniz-Kooperative Exzellenz gefördert (Förderkennzeichen: K377/2021).
