Mehrskalige Topologieoptimierung mithilfe von physik-augmentierten Neuronalen Netzen

In unserer neuesten Veröffentlichung präsentiert Jonathan Stollberg in Zusammenarbeit mit unserem ehemaligen Postdoktoranden Tarun Gangwar (IIT Roorkee) und Prof. Oliver Weeger (Cyber-Physische Simulation) einen neuartigen Optimierungsalgorithmus für funktional gradierte und additiv fertigbare Gitterstrukturen. Die Methode basiert unter anderem auf einem parametrisierten Materialmodell, welches als Neuronales Netz implementiert wurde. Dabei sind grundlegende physikalische Bedingungen an das Modell bereits durch die Architektur des Neuronalen Netzes erfüllt. Der Artikel ist als Open Access in Computer Methods in Applied Mechanics and Engineering verfügbar:

Stollberg, J., Gangwar, D., Weeger, O., Schillinger, D. Multiscale topology optimization of functionally graded lattice structures based on physics-augmented neural network material models. Comput. Methods Appl. Mech. Eng. 438, 117808 (2025). DOI: 10.1016/j.cma.2025.117808