Eine robuste Strategie zur FE-Modellaktualisierung von Verbundplatten mittels eines kombinierten ANN‑SMA Ersatzmodell‑gestützten Optimierungsrahmens

Warum das Abstimmen virtueller Strukturen wichtig ist

Ingenieure verlassen sich zunehmend auf Computermodelle, um vorherzusagen, wie Brücken, Flugzeugbauteile und Windturbinenblätter vibrieren und im Einsatz standhalten. Solche Modelle sind jedoch nur so gut wie die ihnen zugeführten Zahlen. Bei geschichteten Verbundwerkstoffen, die heute in Luftfahrt- und Wasserfahrzeugstrukturen üblich sind, ist es besonders schwierig, diese Werte akkurat zu bestimmen. Dieser Artikel zeigt, wie Labortests, künstliche Intelligenz und eine naturnah inspirierte Suchmethode kombiniert werden können, um ein Computermodell einer Verbundplatte so anzupassen, dass es sich nahezu identisch wie die reale Struktur verhält.

Von Labortests zu digitalen Zwillingen

Die Untersuchung beginnt mit einer echten Glasfaser‑Verbundplatte, aufgebaut aus zehn dünnen Gewebelagen, die mit Epoxid verbunden sind. Im Labor wird die Platte an den Rändern gestützt und mit einem instrumentierten Hammer sanft angeschlagen, während winzige Beschleunigungssensoren aufzeichnen, wie sie vibriert. Durch die Auswertung dieser Messungen extrahieren die Forschenden zentrale Vibrationsmerkmale: die Eigenfrequenzen der Platte (die Töne, bei denen sie vorzugsweise schwingt) und die zugehörigen Biegeformen. Diese experimentellen Fingerabdrücke dienen als Goldstandard, an dem das Computermodell ausgerichtet werden muss.

Erstellung und Überprüfung des ersten Modells

Parallel dazu erstellt das Team eine detaillierte virtuelle Version derselben Platte mit einem gängigen ingenieurwissenschaftlichen Simulationswerkzeug. Die virtuelle Platte wird in viele kleine Schalelemente unterteilt, sodass ihre Schichtstruktur und die richtungsabhängige Steifigkeit abgebildet sind. Bei der Berechnung der Eigenfrequenzen und Schwingungsformen zeigt sich, dass die Vorhersagen nahe liegen, aber nicht perfekt sind: Einige Frequenzen weichen um mehr als 10 Prozent von den Laborergebnissen ab. Ein genauerer Vergleich der Formen zeigt, dass die Gesamtmuster zwar ähnlich sind, aber nicht identisch. Diese Diskrepanz bestätigt, dass einige der im virtuellen Modell angenommenen Eigenschaften — wie Steifigkeit, Dicke oder Dichte — leicht falsch sind.

Ein schnelles Stellvertretermodell beibringen, das die Simulation nachahmt

Direktes Anpassen der Modellparameter und das mehrfache Durchführen vollständiger Simulationen wären zu zeitaufwendig. Daher führen die Autoren sogenannte Ersatzmodelle ein: schnelle mathematische Stellvertreter, die lernen, die teure Simulation zu imitieren. Sie sampeln zufällig Hunderte Kombinationen von Dicke, Steifigkeit und Dichte innerhalb realistischer Grenzen, führen für jede Kombination die vollständige Simulation durch und sammeln die resultierenden Frequenzen und Formübereinstimmungs‑Werte. Drei Typen von Ersatzmodellen werden mit diesem Datensatz trainiert: eine einfache Polynomfläche, eine statistische Methode namens Kriging und ein künstliches neuronales Netzwerk. Tests zeigen, dass das neuronale Netz die komplexen Beziehungen zwischen Eingaben und Vibrationsantwort am besten erfasst und dabei schnell auswertbar bleibt, sodass jede Vorhersage von Sekunden auf Bruchteile einer Sekunde reduziert wird.

Die Designfläche von Schleimpilz‑Strategien durchsuchen lassen

Mit dem neuronalen Netz als nahezu sofortigem Prädiktor besteht die nächste Herausforderung darin, im Meer möglicher Parameterkombinationen diejenigen zu finden, die das virtuelle Panel mit dem realen in Einklang bringen. Dazu verwenden die Forschenden einen Algorithmus, der von der Art inspiriert ist, wie Schleimpilze sich ausbreiten, um ihre Umgebung zu erkunden, und sich dann zu nahrungsreichen Bereichen zurückziehen. In der Optimierung repräsentiert jedes „Organismus“-Exemplar einen Kandidatensatz von Platteneigenschaften. Gesteuert durch ein Maß für die Abweichung zwischen vorhergesagten und gemessenen Frequenzen verschieben die virtuellen Schleimpilze ihre Positionen und balancieren dabei weite Erkundung und gezielte Verfeinerung. Diese künstliche Suche läuft vollständig auf dem Ersatzmodell, sodass Tausende von Versuchen schnell durchführbar sind.

Schärferer Abgleich und schnellere Berechnungen

Die kombinierte Strategie aus neuronalen Netzen und Schleimpilz‑Optimierung verbessert das digitale Modell deutlich. Nach der Aktualisierung weichen vier der ersten fünf Eigenfrequenzen um weniger als 1 Prozent von den Laborwerten ab, und sogar die am schwersten zu erfassende höherfrequente Mode verbessert sich deutlich gegenüber dem ursprünglichen Modell. Die notwendigen Anpassungen sind physikalisch plausibel: eine moderate Verringerung der effektiven Steifigkeit und leichte Änderungen von Dicke und Dichte, konsistent mit realen Herstellungsvariationen. Wenn dasselbe neuronale Ersatzmodell mit etablierten Suchverfahren kombiniert wird, die Vogelschwärme nachahmen oder genetische Evolution simulieren, konvergiert der neue Schleimpilz‑Ansatz dennoch verlässlicher und reduziert die Rechenzeit um etwa 7 bis 30 Prozent. Praktisch bedeutet das, dass Ingenieure schneller vertrauenswürdigere „digitale Zwillinge“ von Verbundstrukturen erhalten können, was bessere Konstruktionsentscheidungen und empfindlichere Zustandsüberwachung ermöglicht.

Zitation: Kouhi, M., Mojtahedi, A. & Lotfollahi-Yaghin, M.A. A robust strategy for FE model updating of composite panels using a combined ANN-SMA surrogate-assisted optimization framework. Sci Rep 16, 10343 (2026). https://doi.org/10.1038/s41598-026-40583-7

Schlüsselwörter: Verbundstrukturen, Finite-Elemente-Modellaktualisierung, Ersatzmodellierung, künstliche neuronale Netze, metaheuristische Optimierung