Lichtgewicht vezelversterkte polymeercomposieten bieden een veelbelovend alternatief voor op metaal gebaseerde technische oplossingen. Het begrijpen en voorspellen van hun complexe niet-lineaire mechanische gedrag vormt echter uitdagingen vanwege de ingewikkelde microstructuren en experimentele beperkingen. Het ontwikkelen van constitutieve modellen voor nauwkeurige Eindige Elementen (FE)-simulaties vereist aanzienlijke expertise en tijdsinvestering.

Dit onderzoek stelt de integratie van Kunstmatige Intelligentie (AI) in constitutieve materiaalmodellering voor. Ten eerste stellen we een uitgebreide database op die fundamentele experimenten combineert met op FE gebaseerde data, waarmee we elementaire niet-lineaire thermomechanische eigenschappen kunnen categoriseren. Ten tweede ontwikkelen we een Neuraal Netwerk (NN)-gebaseerde architectuur om niet-lineaire eigenschappen in spanning-rek reacties te identificeren. Ten slotte bouwen we een zelfconsistent AI-gebaseerd raamwerk om de juiste combinatie van op fysica gebaseerde reologische analogieën te bepalen die nodig zijn om de waargenomen mechanische respons van het materiaal onder verschillende belastingsscenario's te reproduceren.

Deze innovatieve benadering benut bestaande experimentele en simulatiedata, waarbij geavanceerde AI-algoritmen worden ingezet om traditionele modelleringsuitdagingen in verband met composietmaterialen te overwinnen. Het resulterende raamwerk dient als een waardevol hulpmiddel voor het sturen van composietontwerp en het faciliteren van hun integratie in diverse technische vakgebieden.