Numerische Designoptimierung und Echtzeitsimulation softfluidischer Robotersysteme für medizinische Greifanwendungen

Der Einsatz von Komponenten der Softrobotik, insbesondere in der Medizintechnik, ist in den letzten zwei Jahrzehnten stark gewachsen. Im Fokus stehen dabei softfluidische Aktoren, da ihre kontinuierliche Verformbarkeit und ihr günstiges Kraft-Leistungs-Verhältnis vielfältige Anwendungen ermöglichen.
Ihr Verhalten ist aufgrund nichtlinearer Materialeigenschaften und großer Verformungen hochkomplex. Mithilfe der Finite Elemente Methode (FEM) lässt sich dieses Deformationsverhalten präzise numerisch simulieren, wodurch teures Prototyping reduziert und Geometrien sowie materielle Parameter effizient optimiert werden können.

Die Verformungseigenschaften lassen sich durch gezielte Faserverstärkungen weiter verbessern. Da deren Materialverhalten häufig zeit- und temperaturabhängig ist, eignen sich Künstliche Neuronale Netze (KNN) als datengetriebene Materialmodelle, die direkt auf experimentellen Daten trainiert werden können.
Auch komplexe FE-Modelle können durch Ersatzmodellierung, etwa mittels Mehrskalen-Modellierung oder lokaler KNN-Surrogatmodelle, deutlich beschleunigt werden.

Für den praktischen Einsatz muss der Aktivierungsdruck an eine gewünschte Verformungstrajektorie angepasst werden. Aufgrund der vielen Freiheitsgrade der Struktur ist dieser Zusammenhang hochkomplex. Ein globales KNN kann diese Strukturzusammenhänge effizient abbilden und als Echtzeit-Steuerungsalgorithmus für die verformungsabhängige Regelung eingesetzt werden.

Ansprechpartner
M.Sc. Maximilian Pawlik