Laufzeit: Oktober 2022 - September 2025
Projektvolumen gesamt (Universität): 617.716 Euro
Gefördert durch: Deutsche Forschungsgemeinschaft (DFG)

Projekt im SPP 2353 „Mehr Intelligenz wagen – Entwurfsassistenten in Mechanik und Dynamik“

Das Schwerpunktprogramm SPP2353 „Mehr Intelligenz wagen – Entwurfsassistenten in Mechanik und Dynamik“ zielt auf die Entwicklung eines Assistenzsystems für den teilautomatisierten Entwurf technischer Systeme ab, wobei Methoden aus den Bereichen Optimierung, künstliche Intelligenz, Dynamik und Mechanik kombiniert werden sollen.

Im Rahmen des Projekts HyM3 soll ein flexibles und adaptives, datengetriebenes Framework für die multikriterielle Optimierung komplexer Mehrkörpersysteme erarbeitet werden. Bei der multikriteriellen Optimierung von Mehrkörpersystemen kommt es zu einer Vielzahl von Modellaufrufen und -auswertungen, wodurch ein Konflikt zwischen Rechenzeit der Auslegung und Genauigkeit des Modells entsteht: Genaue Modelle, die für eine gute Identifikation des optimalen Designs notwendig sind, sind in der Regel rechenaufwendig. Umgekehrt sind schnelle Modelle, die zu einem akzeptablen Rechenaufwand führen würden, in der Regel eher ungenau. Dieses Problem wird dadurch verstärkt, dass in der Mehrzieloptimierung nicht ein einziges Optimum, sondern gleich die gesamte Menge optimaler Kompromisse (die Paretomenge) berechnet werden muss.

Um diesem Problem entgegenzutreten, soll das genutzte Modell adaptiv im Verlaufe des Optimierungsprozesses angepasst werden können. Um bei den Modellaufrufen, bei denen keine hohe Genauigkeit gefordert ist, Rechenzeit einzusparen, wird das genutzte physikalische Modell reduziert. Die durch die Reduktion auftretenden Ungenauigkeiten werden dann mithilfe von datengetriebenen Modellanteilen korrigiert. Bei den Modellaufrufen, bei denen eine hohe Genauigkeit gefordert ist, wird das vollumfängliche physikalische Modell genutzt, welches sich ebenfalls durch datengetriebene Ergänzungen verbessern lassen kann.

Der Lehrstuhl für Dynamik und Mechatronik kümmert sich im Projekt hauptsächlich um die Adaptivität der genutzten Modelle durch den Einsatz von hybrider Modellierung. In der Fachgruppe Data Science for Engineering werden darauf aufbauend effiziente, datenbasierte Mehrzieloptimierungsmethoden entwickelt, um die Anzahl teurer Simulationen so stark wie möglich zu reduzieren.