2023-06-252023-06-25https://tore.tuhh.de/handle/11420/16695Mechanische Systeme sind von zentraler Bedeutung für viele Bereiche mit dringendem gesellschaftlichem Bedarf an Fortschritt besteht, z. B. Dekarbonisierung, Verkehr, Medizin und viele weitere. Die aktuellen Paradigmen der Systemauslegung basieren meist auf einer Reihe von stark vereinfachenden und idealisierenden Annahmen zur Last- und Systemkomplexität, wobei Dynamik eine Störung des stationären Betriebs darstellt. Allerdings kommen statische Lastfälle in realen Systemen nur selten vor: Flugzeugtriebwerke, Windkraftanlagen und Fahrzeugkomponenten arbeiten durchweg unter instationären, nicht-periodischen, mehrskaligen und insgesamt komplexen Lasten. Numerisch zeitaufgelöste Simulationen sind sehr rechenintensiv und aufgrund der inhärenten Ungenauigkeiten bei der Modellierung und Parametrisierung nicht zwingend exakt. Andererseits können experimentell nur wenige Daten von prototypischen Systemen erfasst werden. Infolgedessen fehlt es Konstrukteuren an einem Instrumentarium, mit dem sie Entwürfe in einem frühen Stadium realistischen Belastungsszenarien und formalisierten Kriterien unterziehen und so die Entwürfe auf die tatsächliche Betriebsdynamik abstimmen können. Dieses Projekt hat zum Ziel, völlig neue Ansätze des maschinellen Lernens zu entwickeln, um Entwurfsassistenten für das nichtlineare dynamische Verhalten von Strukturen unter komplexen transienten Belastungen abzuleiten. Um dem Entwurfsingenieur einen formalisierten Entwurf des dynamischen Verhaltens einer Struktur unter Hunderten von zeitaufgelösten Szenarien zu ermöglichen, werden neuartige dynamik-integrierte Reservoir Computer (DIRC) vorgeschlagen. Diese neue systematische Entwurfsstrategie passt die Struktur und Komplexität des Vorhersagemodells an die individuelle Systemdynamik an, um so zu hochpräzisen Ersatzmodellen mit geringen Datenanforderungen, Echtzeitfähigkeiten und einem minimalen ökologischen Fußabdruck im Vergleich zu datenintensiven und rechenintensiven Deep-Learning-Techniken zu gelangen. Dieses Projekt wird simulationsgestützte Designstudien im Bereich des dynamischen Verhaltens über heutige numerische und experimentelle Techniken hinaus verbessern. Durch die Kombination von Schwingungstechnik, Netzwerktheorie und modernsten Ansätzen des maschinellen Lernens werden neuartige Entwurfsassistenten entwickelt. Da Dynamik von Natur aus mit sequentiellen Daten verbunden ist, wird eine neue Klasse von dynamik-informierten Lernansätzen verwandt. Die vorgeschlagenen Methoden werden a) eine frühzeitige Auslegung auf instationäre und komplexe Belastungsszenarien im Betrieb mit minimalem Rechenaufwand ermöglichen, b) flexibel und modular sein, um eine direkte Integration in etablierte numerische und experimentelle Verfahren zu ermöglichen, und c) für eine Reihe von Benchmark-Systemen entwickelt und validiert werden, die die Spanne (quasi-)periodischer, irregulärer, instationärer, und räumlich-zeitlicher Dynamik sowohl numerisch als auch experimentell abdecken.Mechanical systems are central to many areas of pressing societal demand for progress, such as sustainability, decarbonization, transportation, medicine, and many more. The state-of-the-art system design paradigms are mostly based on a number of crucially simplifying and idealizing assumptions on load and system complexity, with nonstationarity forming perturbations to steady-state operations. In fact, static load cases actually occur only rarely in real-life systems: aircraft engines, wind turbines, and vehicle components consistently operate under non-stationary, non-periodic, multi-scale, and in total complex loads. Numerically, time-resolved simulations are prohibitively compute-intensive, and yet not particularly accurate owing to inherent modeling and parameterization inaccuracies. Experimentally, only small data can be acquired from prototypical systems. As a result, design engineers lack a toolset for subjecting early-stage designs to realistic loading scenarios and formalized criteria, and thereby tailoring designs towards the actual operation dynamics. This project aims at developing new machine learning approaches to derive design assistants for the nonlinear dynamical behavior of structures under complex transient loads from small data. To provide the engineer with a formalized objective for designing a structure’s dynamical behavior under hundreds of time-resolved scenarios, novel Dynamics-Informed Reservoir Computers (DIRCs) are proposed. This new systematic design strategy strives at adapting the prediction model structure and complexity to the individual system dynamics, thereby arriving at highly accurate surrogate models with small data requirements and real-time capabilities. Their modularity makes DIRCs are highly flexible and thus easy to integrate into existing toolsets, while having a minimal ecological footprint compared to data-hungry and compute-intense deep learning techniques. This visionary project aims at enhancing simulation-driven design studies in the field of dynamical behavior beyond numerical and experimental state-of-the-art techniques. Novel design assistants are developed by combining nonlinear vibrations, complex network theory, and cutting-edge machine learning approaches. Since dynamics are inherently related to sequential data, a novel class of dynamics-informed machine learning approaches is tailored towards the prediction task. The proposed methods will a) enable early-stage design towards transient and complex loading scenarios under operation with minimal computational cost, b) be flexible and modular for direct interfacing with established numerical and experimental tools, and c) be developed and validated for a series of benchmark cases in mechanical vibrations spanning the horizon of (quasi-) periodic, irregular, transient, multi-scale, and spatio-temporal dynamics both numerically and experimentally.