Viele Alltagsgegenstände entstehen im Spritzgussverfahren: Dabei wird geschmolzener Kunststoff in ein Werkzeug eingespritzt. Dieser kühlt dann ab und erstarrt. Bevor ein neues Produkt und damit ein neues Werkzeug entsteht, müssen softwaregestützt unterschiedliche Faktoren geprüft werden: Wo soll der Kunststoff am besten in das Werkzeug gespritzt werden? Wie schnell kühlt sich das Bauteil ab und wie verzieht es sich dabei? Am Centre for Future Production der Universität Augsburg hat das Team um Prof. Dr. Nils Meyer (Professor für Data-driven Product Engineering and Design) klassisch-physikalische sowie KI-gestützte Modelle in einer Software kombiniert, die die nötigen Berechnungen in nur wenigen Sekunden durchführt. Ihr Ansatz ist damit bis zum Faktor 100 schneller als gängige Software.
Genauigkeit vs. Geschwindigkeit
Um die Bedeutung dieser Beschleunigung zu verstehen, muss man sich näher mit den Abläufen im kunststoffverarbeitenden Gewerbe auseinandersetzen. Wenn ein Unternehmen ein neues Bauteil spritzgießen möchte, muss die Machbarkeit geprüft und der Entwurf der Spritzgussform validiert werden. Dies geschieht mit Software, deren Berechnungen auf physikalischen Strömungssimulationen beruhen. Die Ergebnisse sind sehr präzise, jedoch ist der Vorgang rechenintensiv und dauert häufig mehrere Stunden. Gerade im frühen Prozess der Produktentwicklung wäre ein schnelleres und flexibleres Rechenmodell vorteilhaft, um eine Entscheidung treffen zu können.
An dieser Stelle setzen Meyer und sein Team an: „Ein Tool, mit welchem man sekundenschnell viele Möglichkeiten prüfen kann, wo beispielsweise am sinnvollsten eingespritzt werden sollte, kann in Unternehmen wertvolle Ressourcen wie die Arbeitszeit der Mitarbeitenden, Rechenzeit und damit Geld und Energie einsparen. Uns ist es gelungen, den Prozess bis zum Faktor 100 zu beschleunigen“. Die hochgenauen physikalischen Methoden sind für ihn der zweite Schritt, wenn es daran geht, das finale Bauteil zu berechnen.
Dateneffizienz und beliebige Geometrien
Eine große Herausforderung ist der Anspruch, mit dem KI-gestützten Tool beliebige Bauteilgeometrien vorhersagen zu können und gleichzeitig mit möglichst wenigen Daten effizient zu trainieren. Statt dieses Problem mit riesigen Datenmengen anzugehen, hat das Team um Meyer Vorwissen in das dahinterliegende KI-Modell eingebracht. Meyer: „Wir wissen z.B. bereits, dass ein Bereich mit großem Abstand zum Einspritzpunkt später gefüllt wird als einer direkt neben dem Einspritzpunkt. Das müssen wir nicht erst aus Daten lernen.“ So konnte das Modell anhand weniger hundert Beispiele trainiert werden und kann dennoch Vorhersagen für beliebige andere Bauteile treffen.
KI-kompatibles Finite-Elemente-Modell
Meyer hebt besonders ein integriertes Feature hervor: Es geht um eine KI-kompatible Finite-Elemente-Software, die von seiner Arbeitsgruppe entwickelt wird. „Die Finite-Elemente-Methode ist eine Rechenmethode, mit der man komplizierte Dinge in viele kleine, einfache Teile zerlegt, um sie besser berechnen zu können“, erklärt er. So lässt sich beispielsweise der erwartete Verzug eines Bauteils beim Abkühlen vorhersagen. Meyer: „Unsere Variante zeichnet aus, dass wir durch diese Software hindurch auch unser KI-Modell weiter trainieren können. So kann das Modell mit gemessenen Verformungen aus dem Produktionsprozess weiter lernen und dabei immer besser werden.“
Die Vision
Während die aktuelle Software bei der Optimierung bereits entworfener Bauteile unterstützt, soll in Zukunft der gesamte Konstruktionsprozess begleitet werden. „Wir stellen uns ein Programm vor, welchem man seinen Bauteilwunsch mitteilt, und das dann KI-gestützt spritzgussgerecht generiert wird. Das hilft Mitarbeitenden in der Konstruktion, aus dem riesigen Lösungsraum möglicher Bauteile schnell das Beste zu finden“, sagt Meyer.
