DAVIS

Aktuelle Ergebnisse im Bereich der maschinellen Lernverfahren (ML) ermöglichen jedoch eine völlig neue Lösungsmöglichkeit für die Vernetzung: Bisher manuell durchgeführte Prozessschritte können mit Methoden des Deep Learnings datengetrieben eingelernt und so automatisiert werden. Zusätzlich ermöglichen datengetriebene Ansätze die Einbindung von nicht-geometrischen Anforderungen wie etwa lastfall-spezifischen, materialabhängigen und ästhetischen Bedingungen, welche bei der Beurteilung der Netzqualität eine signifikante Rolle spielen, jedoch mathematisch schwer zu formalisieren sind. 

Ziel des Projektes ist die Entwicklung einer neuartigen KI-Assistenz zur effizienten Generierung von Hexaedernetzen. Mit einem solchen Ansatz könnte der Zeitaufwand zur Durchführung von Simulationen in vielen Automobil-, Medizintechnik- und Maschinenbauanwendungen mindestens halbiert werden. Die Technologie ermöglicht die Verkürzung von Entwicklungszyklen und Verbesserung der Qualität in den Schlüsselbranchen der deutschen Industrie. 

Merkle & Partner bringt die Erfahrung aus 32 Jahren Dienstleistung und mehr als 15.000 Berechnungsprojekten mit ein. M&P liefert Expertise aus der praktischen Anwendung von Vernetzungsmethoden bei der Trennung von Volumen/Schalen (die Bereiche, an denen dickwandige und dünnwandige Bauteile aneinander grenzen) sowie bei der Erkennung kritischer Bereiche (Bereiche hoher Gradienten, z.B. Kerbspannungen in Bauteilen). M&P steuert für die Hexaedervernetzung relevante Industrieprojekte aus allen Branchen bei und testet die Rechenzeiteinsparung insbesondere bei sehr rechenintensiven Modellen. Betrachtet werden hier sowohl festigkeitsrelevante Bauteile wie Maschinenteile (Strukturmechanik) als auch strömungsrelevante Bauteile wie Strömungskanäle (Strömungsmechanik).