Design-KIT - Künstliche Intelligenz in der mechanischen Bauteilentwicklung

Schematisches Bild für Design-KIT

Bearbeiter: Sören Dittmer, David Erzmann, Henrik Harms
Projektförderung: Bundesministerium für Bildung und Forschung (BMBF)
Projektträger: DLR e.V. – Raumfahrtmanagement – Nationales Raumfahrtprogramm, Raumtransport
Partner: Daniel Siegel, ELISE GmbH, Bremen; Christian Knorr, ArianeGroup GmbH, Bremen
Laufzeit: 01.10.2020 - 31.03.2022

Die Entwicklung der Ariane 6 Trägerrakete ermöglicht es Europa den unabhängigen Zugang zum Weltall zu sichern. Die Entwicklungsbemühungen sind darauf ausgerichtet die Produktions- und Startkosten deutlich zu senken. Durch starke Konkurrenz sowie private Unternehmen, die sich am Markt etabliert haben, wird es immer schwieriger sich im Wettbewerb durchzusetzen. Deshalb ist es notwendig die wirtschaftliche und technische Attraktivität der Europäischen Träger zu stärken und auch die kontinuierliche Anpassung und Verbesserung kosteneffizient gestalten zu können.

Einen wesentlichen Anteil an der Entwicklung und fortlaufenden Verbesserung von Raumfahrtsystemen hat die mechanische Konstruktion der Bauteile. In den letzten Jahren haben sich die Disziplinen Deep Learning (DL), Computer-Aided Engineering (CAE) und 3D-Druck fachgebietsübergreifend zu drei der dynamischsten Forschungsfelder weltweit entwickelt. Nahezu gleichzeitig halten diese Techniken Einzug in industrielle Anwendungen mit teilweise erstaunlichen Erfolgen.

In dem Projekt Design-KIT zielen wir darauf ab, die Schnittmengen dieser drei hoch aktiven, sich schnell entwickelnden Felder zu vergrößern, konkrete Lösungskonzepte für Probleme der Bauteilentwicklung in der Raumfahrttechnik zu erforschen und anschließend prototypisch umzusetzen. Das Kernziel des Projektes ist es möglichst leichtgewichtige Interfaces automatisiert konstruieren zu können. Das Konstruieren von Leichtbauteilen erfordert bisher einen großen Stundeneinsatz von hoch qualifiziertem Personal. Dazu ist die Steigerung der Ressourceneffizienz in allen Industriebereichen wünschenswert. Im Technologiefeld Luft und Raumfahrt, schlägt diese Effizienz jedoch besonders ins Gewicht: Jedes Kilo Gewicht, welches am Bauteil einer Oberstufe gespart werden kann, bedeutet ein Kilo mehr Nutzlast.

Die AG Technomathematik ist bei diesem Verbundvorhaben für das Teilprojekt Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen verantwortlich.