Publikationen der AG Festkörpermechanik zur effizienten Mikrostruktur-Homogenisierung

Mikrostrukturen prägen die mechanischen Eigenschaften vieler moderner Werkstoffe, wie beispielsweise faserverstärkter Polymere oder feinkristalliner Metalle. In diesem Zusammenhang ist eine wesentliche Funktion der Mechanik die Homogenisierung der Mikrostruktur, um repräsentative Materialantworten zu erhalten. Dafür stehen etablierte Konzepte basierend auf Finite Elemente-Simulationen zur Verfügung, die jedoch einen hohen Berechnungsaufwand erfordern und insbesondere für variierende Mikrostrukturen nicht praktikabel sind.

In Zusammenarbeit mit der AG Machine Learned Models 4 Engineers (Hamidreza Eivazi, Prof. Andreas Rausch, Dr. Stefan Wittek) des ISSE der TU Clausthal hat die AG Feskörpermechanik Konzepte entwickelt, um die Mikrostruktur-Homogenisierung mit modernen Methoden des Maschinellen Lernens, insbesondere sogenannten Neural Operators, umzusetzen. Damit ist es möglich auf Basis weniger Simulationen ein Ersatzmodell für die mechanischen Eigenschaften der Mikrostruktur zu erhalten. Im Gegensatz zu vielen anderen Arbeiten bleibt dabei die Mikrostruktur erhalten.

Das Konzept des Equilibrium Neural Operators (EquiNO) wurde im renommierten Journal of Computational Physics veröffentlicht. In einer weiteren Veröffentlichung in Theoretical and Applied Mechanics Letters wurde das Konzept bereits auf viskoses zeit-abhängiges Materialverhalten erweitert. Beide Veröffentlichungen sind open source abrufbar.

• Eivazi, Tröger, Wittek, Hartmann, Rausch. EquiNO: A physics-informed neural operator for multiscale simulations. Journal of Computational Physics. https://doi.org/10.1016/j.jcp.2026.114745

• Jeyaraj, Eivazi, Tröger, Wittek, Hartmann, Rausch. A neural operator-based hybrid microscale model for multiscale simulation of rate-dependent materials. Theoretical and Applied Mechanics Letters. https://doi.org/10.1016/j.taml.2025.100636