Ein Team von Wissenschaftlern und Ingenieuren des Lawrence Livermore National Laboratory (LLNL) hat eine Studie veröffentlicht, in der sie Maschinelles Lernen (ML) und Künstliche Intelligenz einsetzen, um den Designprozess für Gitterstrukturen zu beschleunigen. Lattice-Strukturen zeichnen sich durch ihre komplexen Muster und hierarchischen Designs aus und bieten ein enormes Potenzial, um Branchen wie Luft- und Raumfahrt und Biomedizintechnik zu revolutionieren. Aufgrund ihrer Vielseitigkeit und Anpassungsfähigkeit haben sie das Interesse von Ingenieuren und Wissenschaftlern geweckt, jedoch stellte die Komplexität dieser Strukturen und der große Designraum eine Herausforderung dar. Traditionelle Design-Explorations- und Optimierungsmethoden stoßen oft an ihre Grenzen angesichts der unzähligen Möglichkeiten im Gitterdesign.
Um diese Herausforderungen anzugehen, haben die LLNL-Wissenschaftler ML und KI in den Designprozess integriert, um eine neuartige Ära im Bereich der Gitterdesigns einzuleiten. Durch die Verwendung von ML-Algorithmen können Forscher die mechanische Leistung vorhersagen, Designvariablen optimieren und den Designprozess für Gitterstrukturen beschleunigen, die Millionen potenzielle Designoptionen bieten. Durch die Entwicklung von ML-basierten Surrogatmodellen konnten die Forscher virtuelle Prototypen erstellen, um das mechanische Verhalten von Gitterstrukturen zu erkunden. Diese Modelle zeichnen sich durch bemerkenswerte Vorhersagefähigkeiten aus und bieten wertvolle Einblicke in Designparameter und die Rolle von Geometrie und Struktur in der mechanischen Leistung.
Durch den Einsatz von ML-basierten Ansätzen im Designprozess konnte das Team zeigen, dass optimale Designs erreicht werden können, indem nur weniger als 1 % des theoretischen Designraums erkundet wird. Mithilfe von Methoden wie Bayes’scher Optimierung konnten sie die Exploration von Gitterdesigns effizient bewältigen. Die Forscher verwendeten außerdem die Shapley-Additiv-Erklärung (SHAP)-Analyse, um den Einfluss einzelner Designvariablen auf die Leistung zu interpretieren. Dies ermöglichte es, die Beiträge jedes Parameters zum mechanischen Verhalten zu verstehen und die Beziehungen innerhalb des Designraums besser zu verstehen. Die Ergebnisse dieser Forschung könnten die Leistung von Luft- und Raumfahrtkomponenten verbessern und das Gebiet der fortschrittlichen Materialien revolutionieren.