Maschinelles Lernen (ML) wird zunehmend in der Stahlkonstruktion eingesetzt, um schnelle Ersatzmodelle aus FE- und Testdaten zu erstellen, die eine schnelle Iteration von Geometrie, Lasten und Details ermöglichen. Physikbasiertes maschinelles Lernen (PIML) verbessert die Zuverlässigkeit bei knappen Daten, indem es Gleichgewichts-/konstitutive Physik und Randbedingungen direkt in den Lernprozess einbezieht. LLMs ergänzen dies durch die Automatisierung von Teilen des Arbeitsablaufs – Strukturierung von Berechnungen, Generierung von Skripten und Berichten sowie Unterstützung bei der Navigation durch Codes und Dokumentationen –, während die endgültige Entscheidung über die Einhaltung von Vorschriften und die Sicherheit beim Ingenieur verbleibt. Die laufenden Forschungen am IfS umfassen die Entwicklung von Ersatzmodellen unter Verwendung von PIML und/oder großen Sprachmodellen (LLM) für effiziente wissenschaftliche Simulationen. Das Projekt konzentriert sich auf die Entwicklung effizienter Vorhersagemodelle als Alternative zu traditionellen Simulationsmethoden wie der FEM. Sie sind verantwortlich für die Erforschung und Anwendung modernster ML-Techniken zur Erstellung von Modellen, mit besonderem Schwerpunkt auf der Vorhersage von Strukturreaktionen von Stahlkonstruktionen. Außerdem validieren Sie diese Modelle anhand bestehender Benchmarks, um ihre Zuverlässigkeit bei der Simulation des Strukturverhaltens sicherzustellen. Letztendlich tragen Sie dazu bei, die Effizienz der Vorhersagemodellierung zu verbessern und die Entwicklung digitaler Zwillinge für kritische Strukturdetails zu unterstützen.