Am 20. und 21. April fand das “TechNet Alliance Spring Meeting 2018” in Berlin statt. Prof. Wolfgang A. Wall, Gesellschafter und Mitgründer der AdCo Engineering^GW GmbH, hielt in diesem Rahmen einen Vortrag mit dem Titel “Predictive simulation of complex coupled problems – and the rising importance of uncertainty quantification and machine learning”. Nach einer Einführung in computerbasierte Methoden für Mehrfeldprobleme, Unsicherheitsquantifizierung (UQ) und maschinelles Lernen präsentierte er innovative prädiktive Physik-basierte Simulationsmethoden für drei höchst interessante Anwendungsgebiete. Diese Anwendungsfelder, die derzeit besonders hohe Aufmerksamkeit genießen, sind 3-D-Druck in Form des sogenannten „Selective Laser Melting (SLM)“, Batteriesimulation und biomedizinische Anwendungen.

Die 3-D-Drucktechnik des SLM, mit deren Hilfe vordefinierte Konturen in aufeinanderfolgenden Pulverschichten selektiv unter Verwendung eines Laserstrahls geschmolzen werden, bietet mehrere Vorteile, wie z. B. eine nahezu Endformerhaltende Fertigung und eine hohe Materialausnutzung. Das SLM ermöglicht hochkomplexe und individualisierte Designs bzw. Geometrien. Neuartige fortschrittliche Simulationstechnologie kann eine entscheidende Unterstützung des Entwicklungsprozesses beispielsweise von komplexen lasttragenden Komponenten bieten. Das zweite vorgestellte Anwendungsgebiet ist die prädiktive Batteriesimulation, insbesondere im Hinblick auf Elektro- und Hybridautos. Wie bereits in einem früheren Blogpost beschrieben, arbeitet die AdCo Engineering^GW GmbH an der vordersten Front dieser Forschung und Entwicklung und bietet seinen Kunden fortschrittliche Simulationstechnologie, die für ein besseres Verständnis neuer Batterietypen wie Festkörperbatterien entscheidend ist. In diesem Zusammenhang arbeiten wir derzeit sehr eng mit der BMW AG zusammen.

Schließlich wurden als drittes Feld prädiktive computergestützte Methoden für anspruchsvolle biomedizinische Anwendungen wie abdominale Aortenaneurysmen (AAA) und die menschliche Lunge vorgestellt. Allen drei Anwendungsgebieten ist gemeinsam, dass bei prädiktiven Simulationen Unsicherheiten zu berücksichtigen sind. Mit unseren UQ-Methoden berechnen wir typischerweise Konfidenzintervalle für Simulationsergebnisse und Worst-Case-Abschätzungen. Darüber hinaus werden globale Sensitivitätsanalysen ermöglicht. Für all diese Ziele kann u. a. maschinelles Lernen in Form von Gauß-Prozesse genutzt werden. Darüber hinaus können tiefe neuronale Netze als Ersatzmodelle für UQ (sogenannte „deep UQ“) genutzt werden, wobei dateneffiziente tiefe neuronale Netze mit eingebauten Symmetrien erzeugt werden, die die individuelle Physik in Form eines physikbasierten „Deep Learning“ berücksichtigen.

Weitere Informationen zur TechNet Alliance:

Die 1998 gegründete TechNet Alliance ist ein globales Netzwerk von Computer-Aided Engineering (CAE)-Unternehmen und damit eine der ältesten CAE-Allianzen der Welt. Neben Mitgliedern, die Lösungen für den CAE-Markt anbieten („Principal Members“), umfasst das Netzwerk auch Unternehmen, die Geschäftsaktivitäten unterstützen („Business Support Members“), CAE-Experten von Kunden („Corporate Members“) sowie weltweit anerkannte Professoren und pensionierte CAE-Managern („Honorary Members“). Derzeit besteht die TechNet Alliance aus über 70 Mitgliedern in Europa, Afrika, Brasilien, asiatischen Ländern wie China, Indien, Japan und Südkorea, den Vereinigten Arabischen Staaten und den Vereinigten Staaten von Amerika. Seit dem Jahr 2000 trifft sich die TechNet Alliance zweimal im Jahr, um Erfahrungen und Wissen auszutauschen, wobei das „Spring Meeting 2018“ in Berlin das jüngste in der Reihe dieser Treffen war.