Um die Produkte der Zukunft nachhaltiger zu gestalten, müssen diese zwangsläufig immer leichter werden. Dies geht jedoch gleichzeitig mit einer größeren Anfälligkeit für Schwingungsanregung und einer entsprechend erhöhten Schallabstrahlung einher. Die Herausforderung besteht darin, diesen Konflikt durch gezielte Design-Optimierungen zu lösen. Üblicherweise kommen hier Ansätze zur Topologie-Optimierung Einsatz, wie z.B. Gradienten-basierte Ansätze oder genetische Algorithmen.

In dieser Arbeit soll stattdessen mit Deep Reinforcement Learning (RL) ein neuartiger Ansatz erprobt werden. RL ist ein im Ingenieurwesen noch wenig angewendeter Bereich der künstlichen Intelligenz und basiert auf einem oder mehreren, z.B. auf neuronalen Netzen basierten Agenten, die mit Belohnungen aufgrund von positiven oder negativem Systemverhalten lernen, ein Ziel zu erreichen.

Als Anwendungsbeispiel für Deep Reinforcement Learning werden in dieser Arbeit vibroakustische Metamaterialien (VAMM) betrachtet. Diese stellen Strukturen dar, die sich durch eine meist periodische Integration mehrerer strukturdynamischer Resonatoren auf einer Basiskomponente (z.B. Rumpf- oder Flügelschale) auszeichnen. Die Positionierung dieser Resonatoren stellt eine Herausforderung besonders bei gekrümmten Strukturen dar, da sich abhängig von der Krümmung auch die Wellentypen zwischen Biege- und Longitudinalwellen transformieren und damit auch die Art der erforderlichen Resonatoren. Die Auswahl und Positionierung der Resonatoren erfolgt bisher noch durch Ausprobieren, soll in dieser Arbeit aber durch Deep Reinforcement Learning automatisiert werden.