Ingenieurwissenschaftliche Simulationen sind heute unverzichtbar, um komplexe Fertigungsprozesse wie das Spritzgießen, das Aushärten von Faserverbundbauteilen oder die Additive Fertigung zu verstehen und zu optimieren. Anstatt ausschließlich auf teure und zeitaufwendige physische Experimente zu setzen, ermöglichen virtuelle Modelle auf Basis fundamentaler physikalischer Prinzipien eine kosteneffiziente und realitätsnahe Abbildung des Systemverhaltens.
Um diese Fertigungstechnologien auch für komplexe Bauteile voll nutzen zu können, ist eine umfangreiche Prozessoptimierung notwendig. Hier stoßen klassische numerische Verfahren wie die Finite-Elemente-Methode an ihre Grenzen. Hochauflösende Simulationen komplexer Geometrien können Tage oder Wochen dauern, was eine iterative Prozessoptimierung in der Praxis oft unmöglich macht und technologisches Potenzial ungenutzt lässt.
Zwar bieten KI-basierte Simulationen enorme Geschwindigkeitsvorteile, doch mangelt es bisher an der Anwendbarkeit auf reale Ingenieursprobleme. Bestehende Ansätze leiden oft an fehlender Langzeitstabilität, Datenineffizienz und mangelnder Skalierbarkeit auf komplexe Bauteilgeometrien mit bis zu 100.000 Mesh-Elementen. Herausforderungen wie lokale Hotspots bei Aushärteprozessen oder Verzug bei der additiven Fertigung erfordern gleichzeitig eine hohe Genauigkeit.
Im Rahmen des Projekts werden daher neuartige Graph-Netzwerksimulatoren für schnelle physikalische Prozesssimulationen entwickelt. Um die Effizienz und Skalierbarkeit weiter zu steigern, werden diese mit Reinforcement-Learning-Modellen für adaptive Netzverfeinerung gekoppelt. Das Ziel ist es, die Auflösung der Simulation dynamisch dort zu erhöhen, wo relevante physikalische Phänomene auftreten, während irrelevante Bereiche grobmaschiger bleiben. Parallel dazu werden umfangreiche Benchmark-Datensätze generiert, um die KI-Modelle auf komplexen Simulationen aus dem Ingenieursbereich zu evaluieren.
Abschließend wird mit den Graph-Netzwerksimulatoren ein Framework für die schnelle und unsicherheitsbewusste Prozessoptimierung entwickelt, das Optimierungsaufgaben löst, die bisher rechnerisch kaum handhabbar waren. Durch die Integration von Active Learning können die Modelle gezielt dort verbessert werden, wo Vorhersagen unsicher sind. Validiert werden die entwickelten Methoden sowohl gegen klassische Solver als auch anhand realer experimenteller Daten, um sicherzustellen, dass die KI-basierten Vorhersagen nicht nur schnell, sondern auch physikalisch konsistent sind.