Uni Augsburg: KI beschleunigt Spritzguss-Simulationen um bis zu Faktor 100

Nils Meyer (r.) und Projekt-Mitarbeiter Julian Greif entwickeln ein KI-Tool, um die Bauteilentwicklung im Spritzguss zu optimieren - (Bild: Teresa Grunwald, Uni Augsburg).

Forschende der Universität Augsburg haben ein KI-gestütztes Berechnungsverfahren entwickelt, das Simulationen für Spritzgussbauteile erheblich beschleunigen soll. Durch die Kombination physikalischer Modelle mit maschinellem Lernen lassen sich wichtige Prozessgrößen innerhalb weniger Sekunden abschätzen.

Bei der Entwicklung neuer Spritzgussbauteile gehören Simulationen zum Standard. Sie zeigen beispielsweise, wie sich die Kunststoffschmelze in der Kavität verteilt, wie schnell das Bauteil abkühlt oder an welcher Stelle der optimale Anspritzpunkt liegt. Klassische, physikalisch basierte Berechnungen liefern zwar sehr genaue Ergebnisse, können bei komplexeren Geometrien jedoch mehrere Stunden Rechenzeit beanspruchen.

Ein Team um Prof. Dr.-Ing. Nils Meyer vom Centre for Future Production der Universität Augsburg hat deshalb klassische physikalische Ansätze mit KI-Modellen kombiniert. Nach Angaben der Universität können entsprechende Berechnungen dadurch innerhalb weniger Sekunden durchgeführt werden.

Nach Angaben der Universität Augsburg lassen sich die Berechnungen mit dem weiterentwickelten Verfahren je nach Aufgabenstellung bis zu 100-mal schneller durchführen als mit gängigen Simulationslösungen. Die zugrunde liegende wissenschaftliche Veröffentlichung weist die Geschwindigkeitsvorteile differenzierter aus: Für einzelne Simulationen berichten die Forschenden von einer Beschleunigung um etwa Faktor 20, bei der Optimierung der Anspritzposition von mehr als Faktor 200. Damit ist der von der Universität genannte Faktor 100 als übergeordnete Größenordnung für den aktuellen Entwicklungsstand zu verstehen, während die konkreten Beschleunigungswerte stark von der jeweiligen Berechnungsaufgabe abhängen.

Physikalisches Vorwissen reduziert Trainingsaufwand
Ein Schwerpunkt der Entwicklung liegt auf der Dateneffizienz. Statt ein neuronales Netz ausschließlich mit großen Mengen an Simulationsdaten zu trainieren, integrieren die Forschenden physikalisches Vorwissen in das Modell. So ist beispielsweise bereits bekannt, dass Bereiche mit größerem Abstand vom Anspritzpunkt in der Regel später mit Kunststoffschmelze gefüllt werden.

Dieses Wissen muss das KI-Modell nicht erst aus Trainingsdaten ableiten. Nach Angaben der Universität reichen deshalb wenige hundert simulierte Geometrien aus, um Vorhersagen auch für bislang unbekannte Bauteile zu ermöglichen.

Grundlagen des Ansatzes veröffentlichten Julian Greif, Philipp Lechner und Nils Meyer bereits 2024 im Fachjournal Composites Part A: Applied Science and Manufacturing. In der Studie trainierten die Forschenden unter anderem neuronale Netze und Gradient-Boosting-Modelle anhand von Simulationen für 629 unterschiedliche Geometrien. Vorhergesagt wurden unter anderem Füllzustände, Abkühlzeiten, volumetrische Schwindung und Faserorientierungen.

Schnelle Modelle für die frühe Entwicklungsphase
Die KI-basierte Berechnung soll klassische Spritzgusssimulationen dabei nicht vollständig ersetzen. Insbesondere für die finale Validierung eines Bauteils bleiben hochgenaue physikalische Simulationen relevant. Der Vorteil des beschleunigten Ansatzes liegt vielmehr in frühen Entwicklungs- und Optimierungsphasen, in denen zahlreiche Varianten untersucht werden müssen.

Konstrukteure könnten damit beispielsweise unterschiedliche Anspritzpositionen oder Bauteilgeometrien innerhalb kurzer Zeit vergleichen, bevor ausgewählte Varianten anschließend detailliert simuliert werden. Dadurch lassen sich nach Einschätzung der Forschenden Rechenzeit, Energie und Entwicklungsaufwand reduzieren.

Eine weitere Entwicklung der Augsburger Arbeitsgruppe ist eine KI-kompatible Finite-Elemente-Software. Über diese sollen sich KI-Modelle auch anhand real gemessener Verformungen aus dem Produktionsprozess weitertrainieren lassen.

Langfristig wollen die Forschenden die Methode über die reine Simulation hinaus erweitern. Ziel ist ein System, das bereits während der Konstruktion automatisiert spritzgussgerechte Bauteilgeometrien erzeugt und optimiert.

Weitere Informationen: www.uni-augsburg.de

Quelle: Universität Augsburg; Julian Greif, Philipp Lechner, Nils Meyer: Fast approximation of fiber reinforced injection molding processes using eikonal equations and machine learning, Composites Part A: Applied Science and Manufacturing, Vol. 185, 2024, 108340, DOI 10.1016/j.compositesa.2024.108340.

Universität Augsburg, Augsburg

» insgesamt 1 News über "Uni Augsburg" im News-Archiv gefunden

Ihre News im plasticker? Bitte senden Sie Ihre Pressemitteilungen an redaktion@plasticker.de!

» zurück zum Seitenanfang