Computer gebaseerd ontwerp maakt vaak gebruik van tijdsintensieve simulatiemodellen die heel nauwkeurig zijn. Dit kan onnodig tijdrovend zijn voor routine taken zoals het verkennen van de ontwerpruimte en optimalisatie, maar vooral voor topologieoptimalisatie zijn er vaak duizenden simulaties nodig. Surrogaatmodellen zijn data gedreven benaderingen van deze tijdsintensieve simulatiemodellen die het aantal benodigde simulaties kunnen beperken. Dit project focust op het ontwikkelen van een data efficiënte topologieoptimalisatie methode, gekoppeld aan een zeer nauwkeurig simulatiemodel voor 3D geprinte elektrische machines. De belangrijkste punten zijn: 1) Multifysische modellen van elektrische machines voor het volledig benutten van 3D printen: Het maken en slim parameteriseren van nauwkeurige modellen die rekening houden met thermische, structurele, en magnetische effecten. 2) Data efficiënte topologieoptimalisatie: Een sequentieel ontwerpschema op basis van surrogaatmodellen zal enkel de dure simulaties aanroepen die nodig zijn tot het bekomen van het optimale ontwerp. De uitkomst van dit project promoot het gebruik van slimme ontwerpmethodes gebaseerd op surrogaatmodellen en machinaal leren voor de topologieoptimalisatie van hoog-performante elektrische machines. Dit heeft een belangrijke theoretische contributie en een grote praktische waarde in de maakindustrie voor vele applicaties.