Niclas Strömberg - ny professor 2020

–Vid konstruktion för 3D-printing är idag en av flaskhalsarna i optimeringsflödet tolkningen av topologioptimeringslösningen till en traditionell CAD-modell. Mycket utveckling pågår hos våra stora mjukvaruföretag. Jag har under de senaste två åren utvecklat en metodik med hjälp av stödvektormaskiner från artificiell intelligens som automatiskt skapar en ”CAD” modell på några minuter utan inblandning av en CAD-ingenjör, och som sedan kan finjusteras med metoder från försöksplanering och olinjär FEM. Metodiken blev nyligen presenterad i en tidskriftsartikel och vid en internationell konferens inom simulering för AM.

Niclas Strömberg startade sin forskarbana 1993 som doktorand vid Linköpings Tekniska Högskola (LiTH) med att utveckla modeller och beräkningsmetodik för kontaktproblem mellan maskinkomponenter innehållande friktion, slitage och värmeutveckling. Efter sin disputation 1997 fortsatte detta arbetet, tillsammans med två nya doktorander, med att inkludera skademodeller kopplade till slitaget, samt studera dynamik i kuggväxlar. 2005 presenterade han resultat från den forskningen i sin docentföreläsning vid LiTH.

Samtidigt rekryterades han till Ingenjörshögskolan i Jönköping för att bygga upp en verksamhet inom Simulering & Optimering. I sin roll som forskningsledare initierades tillsammans med fem doktorander forskning inom konstruktionsoptimering (topologioptimering, metamodellbaserad optimering och optimering med osäkerheter) och simulering av restspänningar i gjutgods, samtidigt som forskningen inom kontaktmekanik fortsatte med att studera värmeutveckling i bromsar. Vid Örebro Universitet har Niclas, förutom sin undervisning på Civilingenjörsprogrammet, fokuserat sin forskning mot konstruktionsoptimering för 3D-printing, speciellt med att förenkla optimeringsflödet med stöd av metoder från maskininlärning som är ett område inom artificiell intelligens.

–Optimeringsflödet initieras med toplogioptimering för ett bestämt designområde. Topologioptimeringslösningen klassificeras därefter med maskininlärning för att skapa en implicit yta som enkelt kan modifieras med booleska operatorer, morphing och att blandas med kontinuerliga nätverksstrukturer som är speciellt lämpliga för 3D-printing. På så vis kan man snabbt skapa flera potentiella designkoncept som kan optimeras i detalj med FEM. Metodiken kallar vi för Generative Design.

Utöver sitt akademiska arbete har Niclas även erfarenhet av arbete som beräkningsingenjör vid ABB Atom, Saab, ERAB (idag Dynamore), och IKEA.