In-silico-Design von Implantaten auf der Basis eines Multiskalenansatzes

In der Forschungsgruppe sollen optimierte permanente Implantate entwickelt werden. Durch die additive Fertigung ergibt sich eine große Freiheit in der geometrischen Gestaltung. Dadurch kann die Gitterstruktur im Implantat gezielt eingestellt werden, um das Implantat optimal an den umgebenden Knochen anzupassen. Die Förderperiode 1 konzentriert sich auf permanente Implantate. Dabei muss besonders die Funktionsfähigkeit des Implantats über einen langen Belastungszeitraum garantiert sein. In diesem TP-7 wird ein skalenübergreifendes Modell entwickelt, das den Einfluss von Schädigungseffekten auf der Mikroskala, von Kerbeffekten der Gitterstrukturen auf der Mesoskala sowie das Stress Shielding auf der Makroskala berücksichtigt. Dazu wird ein neuartiger Homogenisierungsansatz eingeführt, der mittels Machine Learning eine zeiteffiziente Kopplung der Skalen erlaubt. Zusätzlich wird die Thermodynamische Topologieoptimierung weiterentwickelt, um skalenübergreifend das optimale digitale Implantat unter Berücksichtigung von prozessbedingten Schädigungs- und belastungsinduzierten Ermüdungseffekten zu bestimmen. Um das Optimum zwischen Gitterstruktur und Funktionsfähigkeit zu finden, wird ein effizienter Multiskalen-Algorithmus entwickelt. Das Ermüdungsverhalten bei Beanspruchung bei hohen (HCF, engl. High Cycle Fatigue) und sehr hohen Lastspielzahlen (VHCF, engl. Very High Cycle Fatigue) wird auf der Mikroskala modelliert. Dabei wird angenommen, dass das Versagen hauptsächlich an den Korngrenzen auftritt. Die Untersuchung des Einflusses der Gitterstruktur auf die Spannungs-Dehnungs-Beziehung findet auf der Mesoskala statt. Die Optimierung des Implantats hinsichtlich Betriebsfestigkeit, Tragfähigkeit und Morphologie wird schlussendlich auf der Makroskala durchgeführt. Der Datentransfer zwischen den einzelnen Skalen soll auf speziell entwickelten künstlichen neuronalen Netzen basieren.