Kunststoffleichtbaustrukturen mit 3D Gradierung

Das vorliegende Projekt ist ein Teilprojekt eines Sonderforschungsbereichs (SFB) Transregio zwischen der TU Chemnitz, der RWTH Aachen, der TU Dresden und der TU Wien. Der SFB trägt den Titel Intelligente Kunststoff-Leichtbaustrukturen mit belastungsdezidierter 3D-Gradierung der Verstärkungsarchitektur. In diesem SFB sollen neue Leichtbautechnologien entwickelt werden, welche den kontinuierlichen Übergang zwischen verschiedenen Materialtypen erlauben, wobei es bei Materialtypen insbesondere um den Faseranteil in faserverstärkten Kunststoffen geht. Der Kernpunkt ist hier der kontinuierliche Übergang, da nach dem bisherigen Stand der Technik nur abrupte Übergänge gestaltet werden können, welche sich in einer geringeren Festigkeit der Bauteile auswirken. Mit der neuen Technologie der kontinuierlichen Übergänge sollen massenfertigungstaugliche Bauteile hergestellt werden, welche aufgrund ihres geringeren Gewichts insbesondere bei mobilen Anwendungen wie Autos oder Flugzeugen eine höhere Energie- und Ressourceneffizienz aufweisen. Diese Effizienz soll sich sowohl auf die Herstellung als auch den Einsatz des Produkts beziehen. In der Vergangenheit konnte anhand von Einzellösungen händisch nachgewiesen werden, dass solche kontinuierlichen Übergänge tatsächlich zu besseren Bauteileigenschaften führen. Dies soll nun im SFB verallgemeinert und systematisiert werden. Dazu werden sowohl neuartige numerische Auslegungsverfahren entwickelt, welche die optimale Faserverteilung vorhersagen, als auch Fertigungsprozesse, welche die Herstellung dieser Faserverteilungen ermöglicht. Dies wird ergänzt um Teilprojekte, welche sich mit Life Cycle Analysis auseinandersetzten. Das durch den FWF geförderte Teilprojekt ist ein Projekt aus dem Bereich Optimierung und Auslegung. Wir werden untersuchen, inwiefern Methoden der künstlichen Intelligenz in der Auslegung dieser Bauteile hilfreich sein können. Insbesondere sollen so auf effiziente Weise Bauteileigenschaften vorhergesagt und dann so optimiert werden, dass der Algorithmus aus vergangenen Lösungsvorschlägen lernen kann, was bisher noch nicht der Fall ist.