KI-LaSt - KI basierte Strategie zur optimalen Auslegung von AM-Gitterstrukturen ("Lattice Structures") für Crashanwendungen; Teilprojekt: Aufbau und Bewertung der Simulationsmodelle, Entwicklung der KI-Methodik

Abstract

In dem Forschungsprojekt KI-LaSt wurde eine Methodik für eine KI-gestützte Auslegung von additiv gefertigten Crashstrukturen in Fahrzeugen entwickelt. Die Arbeitspakete der RWTH umfassten dabei die Auswahl geeigneter Werkstoffe (Definition der Anforderungen und Prüfung mechanischer Eigenschaften an Probekörpern), die Auswahl geeigneter Gitterstrukturen, den Aufbau einer geeigneten Simulationsmethodik für die Trainingsdatenerzeugung sowie die Entwicklung der KI. Dafür wurde im Projekt ein Reinforcement Learning Agent entwickelt, der gegen ein Surrogate Model erfolgreich trainiert werden konnte. Die im Projekt definierte Demonstratorkomponente (Crashbox) kann mithilfe der KI innerhalb von einer Minute ausgelegt werden, während eine vergleichbare Parameteroptimierung mehrere hundert Simulationen und mehrere Stunden Berechnungsdauer benötigen würde. Mittels der beschriebenen Methode wurden mehrere Crashboxen mit unterschiedlichen Randbedingungen ausgelegt, additiv gefertigt und in Fallturmversuchen geprüft. Die Ergebnisse wurden systematisch bewerten und mit der Vorhersage der KI verglichen. Dabei zeigte sich eine gute Übereinstimmung zwischen KI-Vorhersage, Simulation und realem Versuch. Alle Arbeitsschritte wurden ausführlich dokumentiert. The KI-LaSt research project developed a methodology for AI-supported design of additively manufactured crash structures in vehicles. The RWTH's work packages included selecting suitable materials (defining requirements and testing mechanical properties on test specimens), selecting suitable lattice structures, establishing a suitable simulation methodology for training data generation, and developing the AI. To this end, a reinforcement learning agent was developed in the project, which was successfully trained against a surrogate model. The demonstrator component (crash box) defined in the project can be designed within one minute using the developed AI, whereas comparable parameter optimization would require several hundred simulations and several hours of calculation time. Using the method described, several crash boxes with different boundary conditions were designed, additively manufactured, and tested in drop tower experiments. The results were systematically evaluated and compared with the AI's predictions. This revealed a good agreement between the AI prediction, simulation, and real-world test. All work steps were documented in detail.