Gitterstrukturen, die sich durch komplexe Muster und hierarchische Designs auszeichnen, bieten ein enormes Potenzial in verschiedenen Branchen, einschließlich Automobil-, Luft- und Raumfahrt- und Biomedizintechnik. Mit ihrer hervorragenden Festigkeit-Gewicht-Verhältnis, Anpassungsfähigkeit und Vielseitigkeit ermöglichen Gitterstrukturen die Entwicklung von leichten, langlebigen Bauteilen, die genau auf spezifische funktionale Anforderungen zugeschnitten werden können. Die Komplexität der Struktur und die Vielfalt des von Gitterstrukturen umfassten Designraums erschweren es jedoch, mit traditionellen Methoden alle möglichen Konfigurationen zu erkunden und die optimale Lösung für die Anwendung zu finden.
Die Ingenieure des Lawrence Livermore National Laboratory (LLNL) möchten diese Herausforderungen angehen, indem sie die Kraft des maschinellen Lernens (ML) und der künstlichen Intelligenz (KI) nutzen. Fortgeschrittene Rechentools, die von ML und KI angetrieben werden, haben es LLNL-Forschern ermöglicht, die Optimierung von Gitterstrukturdesigns signifikant zu beschleunigen und zu verbessern. In einer in Scientific Reports veröffentlichten Studie beschrieben LLNL-Forscher, wie sie eine Kombination aus ML-Algorithmen und traditionellen Methoden verwendet haben, um Designvariablen zu optimieren, mechanische Leistung vorherzusagen und den Designprozess für Gitter mit Millionen möglicher Konfigurationen zu beschleunigen.
Die Forscher des LLNL setzten ML ein, um zwei Hauptprobleme bei der Gestaltung von Gitterstrukturen zu bewältigen. Sie entwickelten ein Modell, das ihnen half, den Einfluss verschiedener Designentscheidungen auf die mechanische Leistung des Gitters zu verstehen. Anschließend erstellten sie eine Methode, um effizient zu identifizieren, welche Designs am effektivsten sind. Im Zentrum der Forschung stand die Schaffung von ML-getriebenen Ersatzmodellen, die als digitale Prototypen für die Untersuchung der mechanischen Eigenschaften von Gitterstrukturen fungieren. Diese Modelle wurden anhand eines umfangreichen Datensatzes trainiert, der verschiedene Gitterdesignvariablen enthielt.
Die Forschung hat einen neuen Maßstab für intelligente Designsysteme unter Verwendung von Rechenmodellierung und ML-Algorithmen gesetzt. Sie hebt auch die entscheidende Rolle von KI bei der Gestaltung von Gitterstrukturen für verschiedene Anwendungen hervor. Gongora ist zuversichtlich, dass seine Forschung über den Bereich der Gitterstrukturen hinaus Auswirkungen haben wird. Er glaubt, dass der Ansatz auf verschiedene Designherausforderungen angewendet werden kann, die oft teure Simulationen erfordern.