Der Inhalt eines Vortrages bei der GAMM 2023 wurde nun als Tagungsbeitrag in den Proceedings in Applied Mathematics and Mechanics veröffentlicht. Neuronale Netze als Machine Learning-Methoden sind eine Möglichkeit, um datenbasierte Ersatzmodelle für komplexe numerische Finite Elemente-Simulationen zu entwickeln. Um die schnelle Auswertung eines trainierten neuronalen Netzes auszunutzen, ist eine effiziente Implementierung in einen bestehenden Finite Elemente-Code wesentlich. Dies wurde im Beitrag anhand von mehrskaligen Simulationen, sogenannten FE² Simulationen, gezeigt. Die rechen- und zeitintensive Auswertung einer Mikrostruktur wurde vom neuronalen Netz übernommen, während die makroskopische Simulation mit finiten Elementen erfolgte. Durch den Einsatz moderner Techniken wie just-in-time Kompilierung wurden die Simulationen um einen Faktor von mehr als 6000 beschleunigt. Der Beitrag stellt eine Kooperation zwischen der AG Festkörpermechanik und der AG Machine Learned Models for Engineers von Prof. Rausch dar.
Der Tagungsbeitrag ist Open Access verfügbar unter https://onlinelibrary.wiley.com/doi/10.1002/pamm.202300052.
