Metamaterialen ontwerpen met deep learning voor duurzame staaltoepassingen

De Nederlandse Universiteit van Amsterdam ontwikkelen deep learning methodes om het ontwerpproces van mechanische metamaterialen te versnellen, zoals voor de behuizingen van autobatterijen.

Trefwoorden: #duurzaam, #materiaal, #meta, #staal

Lees verder

research

( Foto: UvA - Tata Steel )

ENGINEERINGNET.BE - Doel van het nieuwe project is om elektrische auto's lichter te maken: dat vergroot de actieradius en vermindert de slijtage van banden.

Zo is er ook minder elektra nodig voor het rijden, en wordt de milieuvervuiling beperkt.

In eerder onderzoek ontwikkelde de Universiteit van Amsterdam metamaterialen die twee tegenstrijdige eigenschappen combineren: ze zijn stijf genoeg om veel gewicht te dragen en kunnen ook plotselinge schokken opvangen.

Dankzij hun stijfheid is er minder materiaal nodig, waardoor ze lichter zijn dan reguliere alternatieven.

Hoogleraar Corentin Coulais: 'Als het materiaal wordt samengedrukt, stort het laag voor laag in. Hierdoor wordt energie geleidelijker geabsorbeerd en kan er in totaal meer energie worden opgevangen.' 

Dit maakt deze metamaterialen bijvoorbeeld erg geschikt als schokdempers voor voertuigen.

Met behulp van AI-technieken streven de onderzoekers ernaar de geometrie van het materiaal zo te optimaliseren dat de energieabsorptie wordt gemaximaliseerd.

Een andere cruciale eigenschap voor schokabsorptie is dat de belasting vanaf het punt van impact over het materiaal wordt verspreid. Doel is ook dit te optimaliseren.

Postdoc-onderzoeker Daniel Acuña ontwikkelt daartoe een model om metamaterialen snel en nauwkeurig te simuleren.

Een van de uitdagingen is om een simulatiemodel te creëren dat kan worden gebruikt in combinatie met een optimalisatietool, die daarna de verschillende geometrieën in de simulatie met elkaar vergelijkt.

Als optimalisatietool gebruiken de onderzoekers een techniek die veel wordt toegepast in neurale netwerken, een vorm van machine learning: automatische differentiatie.

Deze techniek vergelijkt twee simulaties met verschillende parameters en geeft aan welke aanpassingen in die parameters tot een beter resultaat leiden.

Om ervoor te zorgen dat de simulatie en de optimalisatietool goed op elkaar aansluiten, gebruiken de onderzoekers de optimalisatietool ook om de simulator zelf te verbeteren.

Coulais: 'Bij extreme geometrieën werkt een simulatietool soms niet optimaal. We gebruiken nu een zeer interessant concept, waarbij we de kwaliteit van de simulator en de geometrie zelf verbeteren. Dat is in deze context nog niet eerder gedaan.'