Konferenz über datengetriebene konstitutive Beziehungen von Professor Kaushik Bhattacharya, Howell N. Tyson, Sr., Professor für Mechanik und Materialwissenschaften California Institute of Technology, USA.

Ort: Larrañeta-Raum, Höhere Technische Schule für Ingenieurwesen, Universität Sevilla.

Datum und Uhrzeit: Donnerstag, 30. April 2026von 11:30 bis 12:30 Uhr.

Veranstaltet von: MORE-Projekt, Multiskalenmechanik innovativer Werkstoffe, Universität 

Abstrakt: Die numerische Simulation des mechanischen Verhaltens komplexer Materialien und Systeme stellt nach wie vor eine bedeutende ingenieurwissenschaftliche Herausforderung dar. Trotz Fortschritten in der Rechnerarchitektur, der Multiskalenmodellierung und dem maschinellen Lernen basieren die meisten komplexen Materialsimulationen auf einem konstitutiven Modell. Dieser Vortrag beschreibt zwei Ansätze zum Erlernen hochpräziser konstitutiver Modelle komplexer Materialien.

Der erste Ansatz basiert auf Multiskalenmodellierung, die berücksichtigt, dass das effektive Verhalten im Anwendungsbereich durch physikalische Gesetze auf verschiedenen Längen- und Zeitskalen bestimmt wird: elektronisch, atomar, Domänen, Defekte usw. Die datengetriebene Materialgleichung wird als neuronale Approximation gewonnen, die anhand von Daten trainiert wird, die durch wiederholte Lösung des Problems im kleinen Maßstab generiert werden. Eine zentrale Neuerung ist das Lernen von Approximationen, die unabhängig von der Diskretisierung sind. Der zweite Ansatz versucht, die Materialgleichungen aus Experimenten abzuleiten. Obwohl Fortschritte in experimentellen Techniken, die Beobachtungen mit beispielloser Reichweite und Auflösung ermöglichen, zu einem stetig wachsenden Strom an Rohdaten geführt haben, mangelt es weiterhin an interpretierten quantitativen Daten, die zum Aufbau von Modellen verwendet werden können. Wir beschreiben einen Ansatz, der es uns ermöglicht, die zugrunde liegenden Informationen aus experimentellen Beobachtungen zu extrahieren und Experimente optimal zu gestalten, um die Unsicherheit im Modell zu minimieren.

Kurzbiografie: Er erwarb seinen Bachelor-Abschluss (B.Tech) 1986 am Indian Institute of Technology Madras, Indien, seinen Doktortitel (Ph.D.) 1991 an der University of Minnesota und absolvierte von 1991 bis 1993 seine Postdoktorandenausbildung am Courant Institute for Mathematical Sciences. 1993 trat er dem Caltech bei. Er wurde mit der von-Kármán-Medaille der Society of Industrial and Applied Mathematics (2020), dem Distinguished Alumni Award des Indian Institute of Technology Madras (2019), dem Outstanding Achievement Award der University of Minnesota (2018), der Warner-T.-Koiter-Medaille der American Society of Mechanical Engineering (2015) und dem Graduate Student Council Teaching and Mentoring Award des Caltech (2013) ausgezeichnet.