In den frühen Phasen des Produktlebenszyklus greifen Entwickler zunehmend auf Verfahren der Topologieoptimierung zurück, um eine ideale Materialverteilung zu erzielen. Dieser Ansatz, dessen enormes Potenzial bisher nur unzureichend genutzt werden konnte, ist mit einem hohen Rechenaufwand verbunden. Am IKAT wurde daher ein neuartiger, KI-basierter Berechnungsansatz entwickelt, der diesen Engpass gezielt adressiert: Der rechenintensive Optimierungsprozess wird in die Trainingsphase des neuronalen Netzes verlagert, wodurch es möglich wird, Geometrien im praktischen Einsatz nahezu in Echtzeit zu generieren. Der hier dargestellte Ansatz verbindet einen „Prädiktor“, der auf Basis von Randbedingungen Geometrien vorschlägt, mit einem „Evaluator“. Der Evaluator bewertet diese anhand vordefinierter Kriterien und optimiert das Netz iterativ. Von besonderem Interesse ist die Anwendung auf nachgiebige Mechanismen, die aufgrund ihrer monolithischen Strukturen eine außergewöhnliche Langlebigkeit gegenüber klassischen Baugruppen aufweisen. Da ihre Bewegungen auf der Elastizität des Materials und nicht auf der Relativbewegung separater Körper beruhen, stellt ihre Entwicklung eine besondere Herausforderung dar. Das präsentierte Projekt verbindet die Expertise im Bereich der künstlichen Intelligenz mit den am IKAT etablierten Bewertungskriterien und zielt darauf ab, ein Modell zu schaffen, das für beliebige Bewegungsanforderungen automatisiert nachgiebige Mechanismen generieren kann. Dies hat den entscheidenden Vorteil drastisch reduzierter Rechenzeiten. Erste Implementierungen dieses innovativen Verfahrens, etwa für Steifigkeitsoptimierungen und die Synthese nachgiebiger Mechanismen, sind bereits vielversprechend. In der Zukunft wird es möglich sein, dieses Modell unmittelbar in CAD-Programmen zu verwenden. Dadurch werden Randbedingungen und Zielsetzungen effizient in optimale Geometrien übersetzt.
Den Ansatz können Sie selbst ausprobieren und erleben.