In vielen Lebensbereichen haben Sicherheit und Zuverlässigkeit von Bauteilen immense Bedeutung. Ob beim Bau von Gebäuden oder Brücken, Autos oder in der Luft- und Raumfahrttechnik – Gefahren in der Nutzung sollten schon bei der Konstruktion ausgeschlossen werden. Immer wieder aber zeigen Unfälle, dass noch Nachholbedarf besteht. Wissenschaftlerinnen und Wissenschaftler des Instituts für Mechanik und Fluiddynamik beschäftigen sich deshalb mit der Simulation von Rissausbreitung und strukturellem Versagen sowie dem Verhalten von Materialien auf atomarer und mikroskopischer Ebene. 

Derartige Analysen helfen, potenzielle Schwachstellen frühzeitig zu erkennen und Auswirkungen auf die Gesamtstruktur zu bewerten. Simulationswerkzeuge erlauben es, die Konstruktion von Bauteilen und Strukturen zu optimieren. Damit werden verschiedene Materialien, Formen und Konfigurationen bewertet, um Leistung und Lebensdauer von Materialien zu maximieren. Der entscheidende Nutzen von Simulationen ist es, in einer Vielzahl von Szenarien die Auswirkungen von Rissausbreitung und Versagen mit dem Computer und damit sehr kostengünstig zu untersuchen – ohne dabei reale Experimente durchführen zu müssen. Denn die Prüfung von Materialien und Strukturen im Labor oder durch Prototypen ist teuer und zeitaufwendig.

Professor Bernhard Eidel vom Lehrstuhl Mikromechanik und Mehrskalige Material-Modellierung geht noch einen Schritt weiter. Er beschäftigt sich mit sogenannten künstlichen neuronalen Netzen, einem Teilgebiet der künstlichen Intelligenz. Mit diesen Computerprogrammen lässt sich zum Beispiel eine Verbindung von heterogenen Materialien zu deren Eigenschaften herstellen. Heterogen bedeutet, dass diese Materialien aus unterschiedlichen Bestandteilen bestehen, den sogenannten Phasen, die in verschiedenen Mikrostrukturen vorliegen. Um diese Verbindung herstellen zu können, muss das neuronale Netz trainiert werden.

Dafür werden Mikrostruktur-Geometrien sowie die zugehörigen, aus experimentellen Messungen oder Computerberechnungen stammenden Eigenschaften eingelesen. Durch eine Anpassung seiner Parameter lernt das neuronale Netz, seine Vorhersagen immer genauer an das Lernziel anzupassen, bis es in der Lage ist, auch für neue Mikrostrukturen die noch unbekannten Steifigkeiten genau vorherzusagen. Mit einer neuen Generation von neuronalen Netzen ist das für beliebige Phaseneigenschaften in beliebigen Kombinationen möglich. Bisher ging das nur für Phasen mit festen Eigenschaften. Damit ist die Materialwissenschaft in der Lage, auch für neue Materialien die effektiven Steifigkeiten in Bruchteilen von Sekunden zu bestimmen. Teure und energieintensive Prozesse entfallen.