Forschung am SWZ

Die Simulation ist heute eine der wichtigsten und in vielen Fällen einzig praktikablen Techniken zur Analyse und Optimierung von großen Netzen. Telekommunikationsnetze, Verkehrs-/Logistiknetze und Energienetze haben vieles gemeinsam. Die Komplexität der Netze mit ihren vielen parallel existierenden Knoten und den Strömen zwischen den Knoten ist schwer überschaubar und oft mit anderen Techniken als Simulation nicht beherrschbar. Das tatsächliche Verhalten eines solchen Netzes unterscheidet sich oft von dem vermuteten Verhalten. Der Aufbau, Betrieb, Modifikation und Optimierung solcher Netze stellt in der Regel eine Infrastrukturaufgabe dar, die mit erheblichen Kosten verbunden ist. Um hier Fehlentwicklungen zu vermeiden, wird vor einer physischen Installation die Simulation als wichtigstes Hilfsmittel eingesetzt, um die Eigenschaften eines Netzes, das Verhalten, die kritischen Leistungskenngrößen und Parameter in einem frühen Stadium zu ermitteln. Die 2005 in Kraft getretene EU-Verordnung z.B. zu Ausgleichszahlungen an Fluggäste bei Annullierungen oder großen Verspätungen (EG 261/2004) unterstreicht die Notwendigkeit geeigneter Verfahren und Systeme für den praktischen Einsatz.

Im Kontext der Industrie 4.0 haben sich mittlerweile sogenannte Digitale Zwillinge, mit denen verschiedene Aspekte der realen Produktion sowohl im Vorfeld von Bau und Inbetriebnahme als auch im laufenden Betrieb analysiert und optimiert werden können, etabliert. Im Rahmen der Forschung am SWZ werde die entsprechenden Methoden zur Modellierung und Simulation weiträumig vernetzter Produktions- und Logistikprozesse weiterentwickelt und zusammen mit Industriepartnern praktisch erprobt.

Die Fortschritte der Materialwissenschaften haben seit jeher den Entwicklungsstand einer Gesellschaft definiert. Materialwissenschaften sind gerade in der deutschen Industrielandschaft eines der zentralen Themen, welche die Grundlage für viele Innovationen in anderen Industriezweigen liefern.

In den Materialwissenschaften hat sich bereits eine stark interdisziplinäre Arbeitsweise herausgebildet, welche in den stark überlappenden Bereichen „Computational Materials Science“, „Computational Physics“ and „Computational Chemistry“ ausgeprägt ist. Simulationen haben sich in den Materialwissenschaften und den benachbarten naturwissenschaftlichen Disziplinen zu einem lebendigen und forschungsstarken Wissenschaftszweig herausgebildet, der vermehrt auch von der Industrie wahrgenommen und aktiv gefördert wird.

Probleme der Materialwissenschaften sind sehr vielfältig und spielen sich typischerweise auf unterschiedlichsten Längen- und Zeitskalen ab. Deshalb zeichnet sich das Feld der Materialsimulationen durch eine Vielzahl verschiedener Simulationsmethoden aus, welche auf die jeweilige Problemklasse zugeschnitten sind:

Auf der kleinsten Längenskala werden in so genannten ab-initio Simulationen atomare Prozesse parameterfrei auf der Grundlage von Naturgesetzen simuliert. Diese quantenmechanischen Methoden erfordern meistens Hochleistungsrechner, erlauben aber vielfältige und quantitative Aussagen zu treffen. Ein solches Programmpaket wird in Clausthal entwickelt und vertrieben.

Auf der makroskopischen Längenskala wird das Material als ein Kontinuum betrachtet, dessen Verhalten von Materialparametern bestimmt wird, die entweder aus dem Experiment bekannt oder durch grundlegendere Simulationen bestimmt wurden. Weil die Simulationstechniken hier weitgehend einheitlich sind, kommen besonders kommerzielle Programmpakete zum Einsatz. Das Hauptinteresse richtet sich hier auf die Modellierung des Problems und die Bestimmung der dabei verwendeten Parameter und Zustandsgleichungen, sowie die Verifikation und die Visualisierung der Resultate.

Zwischen diesen Polen befinden sich eine Vielzahl weiterer Methoden die hier nur einige als Stichworte genannt werden sollen: Monte-Carlo Methoden, Molekularmechanik, Molekulardynamik, Phasenfeldtheorien, Mikrostruktursimulation von Versetzungsnetzwerken und Korngrenzen.

Eine der „Grand Challenges in Computational Materials Science“ ist daher die Multiskalensimulation, die im Idealfall von der ab-initio Simulation bis zur Simulation von Umformprozessen und Herstellungsverfahren reicht. Diese Herausforderung wird einerseits dadurch angegangen, dass Simulationsparameter gezielt von den mikroskopischen Simulationen zu den makroskopischen Simulationen durchgereicht werden. Andererseits werden unterschiedliche Simulationsmethoden in eine einheitliche Simulationsumgebung integriert, um Effekte zu beschreiben, bei denen unterschiedliche Längen- und Zeitskalen nicht mehr entkoppelt werden können. Diese Aktivitäten erfordern die Zusammenarbeit unterschiedlicher Wissenschaftsdisziplinen und profitieren von Zusammenschlüssen, wie sie im Simulationswissenschaftlichen Zentrum geplant sind.

Im Gegensatz zu etlichen anderen Anwendungen von Simulationsverfahren sind Simulationen im Bereich der Materialwissenschaften sehr häufig dadurch gekennzeichnet, dass sie alle verfügbaren, informationsverarbeitenden Ressourcen bis an die Grenzen ausschöpfen müssen, um verwertbare Ergebnisse zu erzielen. Fragen der algorithmischen Komplexität und der Effizienz von Implementierungen sind daher für Fortschritte der Simulationsmethoden in diesem Teilgebiet von entscheidender Bedeutung.

Da Optimierung und Charakterisierung von Materialien mit großen Datenmengen in verschiedenen Formaten verbunden sind, werden zunehmend Methoden der Künstlichen Intelligenz zur Analyse verwendet. Diese Methoden können zur Erzeugung synthetischer Daten eingesetzt werden, wenn Analytik und konventionelle Modellierung an ihre Grenzen stoßen. In den letzten Jahren haben sich daher Machine-Learning-Methoden zur Vorhersage von Struktur-Eigenschafts-Beziehungen und zur Materialentwicklung etabliert. Dabei hängt jedoch die Vorhersagekraft von der Verfügbarkeit großer Datensätze ab, weshalb sich einige Aspekte immer noch besser per Simulation beschreiben lassen. Das SWZ bringt diese Kompetenzen in verschiedene Anwendungsfelder der Materialwissenschaft und Werkstofftechnik ein.

Die Echtzeitsteuerung von Mensch-Maschine-Teams in der Fertigung und im Dienstleistungssektor befasst sich hauptsächlich mit der Koordination von Plänen und Aktionen der Teammitglieder während der gemeinsamen Bearbeitung und Verarbeitung einzelner Vorgänge. Im Fokus steht hierbei eine integrierte Betrachtung der Effizienz des soziotechnischen Gesamtsystems und der Zufriedenheit und Sicherheit des Menschen.

Für eine eng-gekoppelte Zusammenarbeit zwischen Menschen und Maschinen ist es erforderlich, dass sowohl menschliche als auch maschinelle Mitglieder eines Teams ein gemeinsames Verständnis von ausgeführten Aktionen haben.

Ein weiterer wichtiger Faktor ist das Vertrauen zum Kollaborationspartner – sowohl vom Menschen in die Maschine als auch umgekehrt. Nur mit Vertrauen kann eine Verlässlichkeit von Verhalten erreicht werden, wodurch das volle Potential einer Kollaboration erst erreicht werden kann. Menschen können einer Maschine nur vertrauen, wenn die Maschine bekanntermaßen gut getestet ist, so wie die Zusammenarbeit zwischen Menschen schwierig ist, wenn einer der Beteiligten einen schlechten Ruf hat. Die Modellierung von Vertrauen aus der Perspektive der Maschine ist das messbare Gesamtergebnis der Auswertung von Variablen, die den menschlichen Zustand und das menschliche Verhalten beschreiben.

Der Entwurf von Interaktionsmodellen für die Mensch-Maschine-Zusammenarbeit erfordert einen interdisziplinären Ansatz: Es müssen sowohl Vertrauens- und Intentionsmodelle integriert werden als auch die Interaktion anpassungsfähig und mit einem hohen Grad an Automatisierung im Engineering-Prozess gestaltet werden.

Ein kollaborativer Roboter in einem Team sollte in der Lage sein, das Vertrauen seines menschlichen Partners in ihn zu erkennen und sicherzustellen, dass dieser menschliche Partner seinen Fähigkeiten nicht zu sehr vertraut und ihn für Aufgaben einsetzt, für die er nicht konzipiert wurde. Sie sollte den Partner auch davon abhalten, sich selbst oder die Gesamtaufgabe zu gefährden. Dies spiegelt die Notwendigkeit einer dynamischen Vertrauenskalibrierung während der menschlichen Zusammenarbeit mit einer autonomen Maschine wider.

Die Erfassung physiologischer Parameter hat sich als gut geeignet erwiesen, um Informationen über die kognitiven Bedingungen des Menschen abzuleiten, und ist äußerst relevant für die Zuweisung eines Vertrauensniveaus. Die Erfassung solcher Phänomene wird jedoch nicht nur durch den Grad an Akzeptanz und potentieller Beeinträchtigung menschlicher Handlungen begrenzt, sondern auch durch die monetären Kosten für die Instrumentierung der Arbeitsplätze mit der Sensor-Infrastruktur, um die erforderlichen Daten zu erfassen.

Um fundierten Entscheidungen treffen zu können, muss die Maschine nur den aktuellen Zustand des menschlichen Teamkollegen modellieren, sondern auch kurzfristig zuverlässige Vorhersagen über die Handlungen, Pläne und sogar Absichten des Teamkollegen treffen. In diesem Zusammenhang sind die Modellierung und das Antizipieren von Bewegungen des menschlichen Körpers und Laufwegen von entscheidender Bedeutung. Neben den Bewegungen der Hand und des Kopfes sind auch Armbewegungen im Zusammenhang mit der sicheren Mensch-Maschine- Zusammenarbeit z.B. bei Montage- oder Demontageprozessen von Bedeutung, ebenso wie die Laufwege der Menschen.