26. 05. 2025
Verfasst von: Fadi Aldakheel, Yousef Heider

Maschinelles Lernen revolutioniert die Mechanik

Das Schaubild zeigt je zwei Ausschnitte einer Gefäßwand als experimentelle Geometriedaten und als Vorhersage. — Zur Vorhersage von Gefäßwandbrüchen kann physikalisch verstärktes maschinelles Lernen (PAML) angewendet werden. Dafür nutzt das Modell experimentelle Geometriedaten einer gerissenen Gefäßwand.

Für technische Herausforderungen bieten Modelle des maschinellen Lernens leistungsstarke Lösungen, die Effizienz, Präzision und Sicherheit verbessern. Forscherinnen und Forscher der Leibniz Universität Hannover entwickeln speziell angepasste Modelle für mechanische Anwendungen. Die Kombination aus physikalischen Simulationen und datengesteuerten Methoden führt zu wegweisenden Innovationen, die komplexe Probleme mit wenigen Daten effizienter und präziser lösen. Zum Beispiel ermöglicht sie durch inverses Design die Entwicklung maßgeschneiderter Materialien für die Energie- und Mobilitätsbranche.

Materialverhalten modellieren, Recheneffizienz steigern

Maschinelles Lernen (ML) bringt nicht nur die Technologie voran, sondern verändert auch Branchen wie den Automobilbau, die Energiebranche, das Gesundheitswesen und die Infrastruktur. An der Leibniz Universität Hannover spielt das Institut für Baumechanik und Numerische Mechanik eine wesentliche Rolle bei der Anwendung von ML in technischen Disziplinen und vermittelt fundierte ML-Kenntnisse in Bachelor- und Masterstudiengängen.

Einen der wichtigsten Fortschritte erzielt das Forschungsteam mit dem physikalisch verstärkten maschinellen Lernen (Physics-Augmented Machine Learning, PAML), das die Stärken sowohl von physikalisch basierten numerischen Simulationen als auch von datengesteuerten Ansätzen nutzt. Dieser hybride Ansatz eröffnet ein großes Potenzial für die Lösung der aktuellen Herausforderungen in der rechnergestützten Festkörpermechanik, zum Beispiel die effiziente Integration von Daten und Modellen unterschiedlicher Skalen oder die Steigerung der Rechenleistung. Besonders die präzise und effiziente Modellierung von Materialverhalten in der Bruchmechanik, Biomechanik und der Wasserstoffproduktion stellt hohe Anforderungen an die Algorithmen.

Das Schaubild zeigt zwei Ausschnitte einer Gefäßwand als experimentelle Geometriedaten, Symbole für ein u-förmiges neuronales Netz und die Vorhersage von Gefäßwandrissen. — Die Geometriedaten einer gerissenen Gefäßwand verwendet das U-Net-Modell als Eingabe, um sowohl bekannte als auch neue Geometrien präzise vorherzusagen.

Modellierung und Materialoptimierung für Wasserstofferzeugung

Ein wichtiger Schritt in Richtung nachhaltige Energie ist die Optimierung der Protonenaustauschmembran-Wasserelektrolyse zur Wasserstofferzeugung – eine Schlüsselanwendung am Institut. Zur Vorhersage von Materialeigenschaften setzen die Forschenden Techniken wie faltende neuronale Netze (Convolutional Neural Network, CNN) ein, während Feed-Forward-Netze und rekurrente neuronale Netze (RNN) die traditionellen Materialmodelle ersetzen. Diese Methoden kombinieren Daten aus verschiedenen Skalen innerhalb der Materialmodellierung und bieten tiefere Einblicke in das Material- und Strukturverhalten.

Das Schaubild zeigt den Weg des inversen Materialdesigns mit angestrebten Materialeigenschaften über Decoder und Encoder. — Darstellung des ML-gestützten inversen Materialdesigns unter Einsatz eines variationalen Autoencoders (VAE): Um Mikrostrukturen zu generieren, die gezielte Eigenschaften erfüllen, durchsucht das Modell iterativ den latenten Raum, in dem Materialeigenschaften als niedrigdimensionale Repräsentationen gespeichert sind. Beispielhafte Anwendungsbereiche sind die Optimierung von Membranen zur Wasserelektrolyse (PEMWE), Entwicklung neuer Materialien und Mikrostrukturdesign.

Eine weitere innovative Anwendung ist das Deep Learning gestützte inverse Design von Metamaterialien: Hierbei werden gezielt Materialstrukturen, zum Beispiel multifunktionale poröse Materialien, entwickelt, die auf bestimmte funktionale Anforderungen zugeschnitten sind. Hochentwickelte Modelle wie 3D-Variations-Autoencoder (VAE) ermöglichen die Entwicklung neuer Mikrostrukturen, die präziser und anpassungsfähiger sind als bei herkömmlichen Verfahren. Dieser Ansatz steht in engem Zusammenhang mit Innovationen im 3D-Druck von multifunktionalen Materialien und Strukturen.

Weitere beteiligte Wissenschaftler an den Projekten: Elsayed Saber Elsayed, M. Sc., Jannik Christian Jarms, M. Sc., Phu Thien Nguyen, M. Sc., Alexandros Tragoudas, M. Sc.