2024-09-252024-09-25https://hdl.handle.net/11420/49224Polymermaterialien sind omnipräsent nicht nur in der Hoch- und Spitzentechnologie, sondern auch in alltäglichen Produkten wie Konsumgütern, Nahrungsmitteln, Kleidung, Medikamenten sowie allen biologischen Organismen. Es ist aktuell immer noch vielfach herausfordernd, das Verhalten weicher Materialien zu modellieren, da diese oft Eigenschaften wie Nichtlinearität, Anisotropie und verschiedene Arten von Inelastizität in einer komplexen Art verbinden. Bereits die deskriptive Modellierung weicher Materialien erfordert daher trotz jahrzehntelanger Forschungsarbeiten immer noch ein erhebliches Maß an Expertenwissen. Eine noch größere Herausforderung ist es in der Regel, vorherzusagen, wie kleine Änderungen in der Mikrostruktur oder dem Herstellungsprozess sich auf das mechanische Verhalten weicher Materialien auswirken. Bislang sind solche Vorhersagen oft nur in sehr beschränktem Umfang und auch dann nur mit erheblichem Expertenwissen möglich. Dieses Projekt zielt darauf ab, physik-informiertes maschinelles Lernen dazu zu nutzen, sowohl die deskriptive wie auch die prädiktive Modellierung weicher Materialien in einem Maß zu automatisieren, das weit über den aktuellen Stand der Technik hinausgeht. Auf diese Weise wird das Projekt eine starke Basis für das zukünftige virtuelle Design neuer weicher Materialien schaffen. Durch die Automatisierung des Arbeitsflusses von der Untersuchung zur Beschreibung zur Vorhersage der mechanischen Eigenschaften weicher Materialien wird das Projekt außerdem Methoden entwickeln, die künftig von Robotern genutzt werden können, um unbekannte komplexe weiche Materialien autonom zu untersuchen und anschließend zu handhaben. Diese Fähigkeit wird für die medizinische und biomechanische Robotik transformativ sein. Dort sind Roboter oft mit der Herausforderung eines von Individuum zu Individuum unterschiedlichen Materialverhaltens des weichen Gewebes konfrontiert, das sie erfassen und handhaben müssen. Um das Potential dieses Projektes für solche künftigen Anwendungen in der medizinischen und biomechanischen Robotik zu veranschaulichen, wird gegen Projektende ein einfacher Demonstrator im Labor entwickelt.Polymer materials are essential constituents not only of advanced engineered systems but also of everyday products like food, clothes, drugs and consumables, and also all biological organisms consist to a large extent of soft materials. Modeling the mechanical behavior of such materials has proven particularly challenging because they often exhibit complex types of nonlinearity, anisotropy and inelasticity. Descriptive modeling of soft materials therefore still often requires a large amount of expert knowledge. An even greater challenge are predictions how the behavior of soft materials can be tuned by subtle changes of their microstructure and processing. So far such predictions are possible only to a very limited extend and again with considerable expert knowledge. This project aims at leveraging most recent advances in physics-informed machine learning to automate both the descriptive and predictive modeling of soft materials to an unprecedented degree. Thereby, it will create a powerful basis for the future virtual design of soft materials. Moreover, by automating the pipeline from probing to describing to predicting the mechanical behavior of soft materials, the methods developed in in this project will enable robots to examine and handle also unknown and complex soft materials with an unprecedented degree of autonomy. This can be transformative for biomedical and biomechanical robotics, where, for example, surgical robots are facing in each patient or individual a different behavior of soft tissue and have to learn to probe and handle it. To showcase such benefits for medical robotics, this project will not only develop a toolbox of machine-learning based methods for describing and predicting the mechanical behavior of soft materials in a largely automated way but it will also illustrate their application in a simple robot demonstrator in the laboratory.