Modellierung parametrischer Metamaterialien mit neuronalen Netzen
25.11.2021
Unser neuester Artikel mit dem Titel “Material modeling for parametric, anisotropic finite strain hyperelasticity based on machine learning with application in optimization of metamaterials” ist im International Journal for Numerical Methods in Engineering erschienen.
Diese Forschungsarbeit wurde von unserem ehemaligen Postdoc Dr. Mauricio Fernández in Zusammenarbeit mit Prof. Felix Fritzen von der Universität Stuttgart vorangetrieben. Wir haben unseren Ansätze zur Konstitutivmodellierung mit künstlichen neuronalen Netzen um parametrische Abhängigkeiten erweitert. Auf diese Weise können wir das effektive Verhalten von kubischen Gitter-Metamaterialien mit unterschiedlichen Topologien und Morphologien über einen weiten Bereich der skalierten Radien modellieren. Darüber hinaus kann dieser Ansatz auch für das inverse Design von hyperelastischen Metamaterialien mit maßgeschneidertem Verhalten bei großen Verformungen angewendet werden.
Der Artikel ist als Open Access frei verfügbar unter http://doi.org/10.1002/nme.6869
