Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Real-time Adhesion Trajectories & Inverse Design via Physics-Enhanced Machine Learning

Projektbeschreibung

Echtzeit-Entwurf und -Vorhersage viskoelastischer adhäsiver Grenzflächen

Viskoelastische adhäsive Grenzflächen mit einstellbaren Eigenschaften sind für eine Vielzahl von Schlüsseltechnologien von entscheidender Bedeutung, die unter anderem in den Bereichen Biomedizin, intelligente Materialien und Robotik entwickelt werden. Unsere Fähigkeit, diese zu entwerfen und zu steuern, war jedoch bislang durch den hohen Rechenaufwand bei numerischen Modellen und in der klassischen Kontaktmechanik eingeschränkt, die keine Echtzeit-Vorhersagen für unebene, komplexe und viskoelastische Oberflächen liefern können. Das Team des innerhalb der Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts REAL-ADHERE wird ein physikgestütztes Maschinenlern-Framework (Physics-Enhanced Machine Learning; PEML) entwickeln, mit dem Echtzeitentwurf, Vorhersage und inverse Optimierung abstimmbarer adhäsiver Grenzflächen möglich werden. Das Projektteam verfolgt eine hybride Strategie, um interpretierbare, physikalisch konsistente Ergebnisse zu gewährleisten und gleichzeitig den Entwurf zu beschleunigen sowie die Effizienz zu steigern.

Ziel

Viscoelastic adhesive interfaces with tunable properties are central to emerging technologies in robotics, biomedicine, and smart materials. However, their design and control are severely constrained by the slow computational cost of classical contact mechanics and empirical models, which cannot deliver real-time predictions across complex, viscoelastic, and non-smooth surfaces. This project introduces a Physics-Enhanced Machine Learning (PEML) framework for the real-time design, prediction, and inverse optimization of tunable adhesive interfaces. The approach integrates high-fidelity simulations with advanced learning architectures, spanning Neural Controlled Differential Equations (NCDEs) and Neural Operators, while embedding physical principles such as viscoelastic constitutive laws, energy balances, and adhesion models. This hybrid strategy ensures physically consistent and interpretable results while leveraging acceleration of ML inference for design. Furthermore, the project advances beyond forward modeling by employing generative design for the inverse problem, allowing the tailored engineering of adhesive surfaces under physical and manufacturing constraints. Prototype fabrication and validation will bridge the gap between simulation and experiment, ensuring demonstrable feasibility. The expected outcomes include: (i) the first real-time, physics-consistent tool for adhesive interface dynamics, (ii) design strategies generalizable to non-smooth and multi-asperity surfaces, and (iii) transformative applications in adaptive gripping, biomedical devices, and switchable adhesion systems. The project thus addresses urgent scientific and technological challenges by combining fundamental physics, cutting-edge ML, and experimental validation to pave the way for sustainable and high-impact adhesion technologies.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) HORIZON-MSCA-2025-PF

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Koordinator

TECHNISCHE UNIVERSITAT BERLIN
Netto-EU-Beitrag
€ 236 128,88
Adresse
STRASSE DES 17 JUNI 135
10623 Berlin
Deutschland
Region
Berlin Berlin Berlin
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
Keine Daten

Partner (2)