Automatisierte Optimierung von Metamaterialien im Leichtbau

Abstract

Aktuell gewinnen datengetriebene Methoden wie Reduced Order Models (ROMs) und Physics-Informed Machine Learning (PIML) an Bedeutung, da sie physikalische Phänomene effizient modellieren. Ihre Leistungsfähigkeit hängt jedoch von hochwertigen Trainingsdaten ab, die in der Realität häufig nicht verfügbar sind. Diese Arbeit untersucht Long Short-Term Memory (LSTM) und Liquid Time Constant (LTC) Netzwerke zur Abschätzung des Designraums additiv gefertigter Metamaterialstrukturen für optimierte Dämpfungseigenschaften. Trotz begrenzter Datenbasis zeigte das LTC-Netzwerk mit Nadam-Optimierer eine gute Modellgüte für liegend gedruckte Proben, jedoch reduzierte Generalisierbarkeit für stehende Proben. Zudem konnten periodische Buckling-Effekte nicht adäquat abgebildet werden. Die Ergebnisse zeigen das Potenzial von LTC-Netzwerken, weisen aber auch auf bestehende Grenzen hin, die im Kontext der Metamaterialien und Leichtbaustrukturen berücksichtigt werden müssen.