Preprint zur Auswertung von Mikrostrukturen mit ratenabhängigem Materialverhalten

Alle Materialien verfügen über eine mehr oder weniger heterogene Mikrostruktur, die entscheidend das makroskopische Materialverhalten beeinflusst. Dementsprechend ist es von besonderem Interesse die Mikrostruktur in numerischen Simulationen zu berücksichtigen, um die Genauigkeit der Modelle zu verbessern oder auch gezielte numerische Untersuchungen zur Optimierung der Mikrostruktur durchzuführen. Die Auswertung von Mikrostrukturen mit finite Elemente Simulationen ist aufgrund der notwendigen Rechenkapazitäten häufig nur begrenzt möglich, insbesondere wenn zahlreiche Mikrostrukturen oder unterschiedliche zeitabhängige Lastpfade zu untersuchen sind.

Eine Alternative stellen sogenannte tiefe Operator-Netzwerke (Deep Operator Networks, DeepONets) dar, welche in Zusammenarbeit mit der AG Machine Learned Models for Engineers (Prof. Andreas Rausch, Dr. Stefan Wittek, ISSE, TU Clausthal) in der Vergangenheit bereits zur Auswertung von Mikrostrukturen mit nichtlinearem elastischen Materialverhalten eingesetzt wurden. Der nötige Datenumfang zum Training der DeepONets wird durch die Einbindung physikalischer Prinzipien (Gleichgewichtsbedingung, Periodizität der Lösungsgrößen) entscheidend reduziert, sodass ein Löser für Mikrostruktur-Probleme entwickelt wurde. Aufbauend auf den bisherigen Arbeiten wurde nun eine Erweiterung auf ratenabhängiges Materialverhalten entwickelt und in einem aktuellen Preprint veröffentlicht. Der Preprint ist Open Access abrufbar unter https://arxiv.org/abs/2506.16918. Darüber hinaus wurde der Programmcode (https://github.com/Dhananjeyan-Github/Hybrid-AI-Model-for-rate-dependent-simulations) und die verwendeten Daten (https://zenodo.org/records/15676985) veröffentlicht.