Die Kalibrierung von Materialmodellen mit experimentellen Daten ist von enormer Relevanz, um zuverlässige Simulationsergebnisse zu erhalten. Dabei ist auch die Quantifizierung von Unsicherheiten ein relevanter Arbeitsschritt, um die Genauigkeit von kalibrierten Modellen zu evaluieren. Insbesondere bei der Verwendung von vollflächigen Messdaten ist der hohe Aufwand für die numerischen Berechnungen bei der Unsicherheitsquantifizierung, zum Beispiel mit finite Elemente-Simulationen, enorm. Im Gegensatz dazu ermöglichen physikalisch-informierte Neuronale Netze (physics-informed neural networks, PINNs) eine sehr schnelle Modellauswertung, sobald diese ausreichend trainiert worden sind. Durch die Berücksichtigung physikalischer Zusammenhänge während des Trainingsprozesses kann der Umfang an erforderlichen Daten wesentlich reduziert werden und gleichzeitig sichergestellt werden, dass die Ergebnisse physikalisch sinnvoll sind.
In Kooperation mit Kollegen der Technischen Universität Braunschweig (Prof. Ulrich Römer, Prof. Henning Wessels, David Anton) und der Eidgenössischen Technischen Hochschule Zürich (Dr. Alexander Henkes) wurden sogenannte parametrisierte PINNs zur Modellkalibrierung unterschiedlicher linearer und nichtlinearer Materialmodelle verwendet und die Ergebnisse mit finite Elemente-Simulationen verglichen. Dabei wurde deutlich, dass der Einsatz von parametrisierten PINNs eine Modellkalibrierung in Realzeit ermöglicht, was einen wesentlichen Mehrwert für Anwendungen wie die Strukturüberwachung und Unsicherheitsquantifizierung bedeutet.
Der Beitrag wurde als Preprint veröffentlicht und kann unter https://arxiv.org/abs/2405.18311 abgerufen werden.
