Babak Safaei: REFRESH podporuje mezinárodní i mezioborovou spolupráci

Odborník na aplikovanou výpočetní mechaniku, aditivní výrobu, kompozitní a nanokompozitní materiály, strojové učení a ukládání energie Babak Safaei působí na VŠB-TUO zhruba rok. V projektu REFRESH se v Industry 4.0 & Automotive Lab (IAL) zaměřuje na aplikaci aditivní výroby a nanomateriálů podporovaných metodami strojového učení a jejich optimalizaci pro automobilové a příbuzné inženýrské systémy. Na projektu oceňuje zejména interdisciplinární spolupráci a možnost ověřovat výzkum v reálných aplikačních scénářích.

„Mezi mé příspěvky patří například konstrukční návrhy pro aditivní výrobu (design-for-additive-manufacturing), výpočetní mechaniku, optimalizace řízené simulacemi a daty a predikce výkonu pomocí modelů strojového učení. Zvláštní důraz kladu na návrh lehkých konstrukcí, mřížkové a auxetické architektury a inteligentní optimalizaci materiálových a geometrických parametrů,“ přiblížil svůj výzkum vědec, který doktorát získal na čínské Tsinghua University.

Ke spolupráci s ostravskými vědci ho přivedla společná výzkumná témata zejména z oblasti aditivní výroby, datově řízeného modelování nebo optimalizace a automobilového inženýrství. Projekt REFRESH následně poskytl potřebný rámec pro užší propojení těchto výzkumných směrů v living lab a  úzkou interakci mezi výzkumem a aplikačně orientovaným vývojem.

„Projekt REFRESH je pro mě velmi přínosný. Podporuje interdisciplinární spolupráci, přístup k infrastruktuře v living labs a možnost převádět simulační, optimalizační a datově řízené metody do praktických inženýrských řešení. Zároveň posiluje mezinárodní spolupráci a zvyšuje viditelnost výsledků prostřednictvím společných publikací a inovačně orientovaných výstupů,“ doplnil Safaei, který je autorem mezinárodně uznávaných publikací v oblasti aditivní výroby, výpočetní mechaniky a aplikací strojového učení v mechanice. Za svůj klíčový výsledek v projektu REFRESH považuje vývoj optimalizovaných konceptů aditivně vyráběných automobilových součástek, implementace modelů predikce výkonu založených na strojovém učení a aktivní zapojení do aktivit living lab propojujících teorii, data a aplikace.

A jaké výzvy očekává v letošním roce? „Pro rok 2026 vidím hlavní výzvy v řízení kvality a dostupnosti dat pro strojové učení, zajištění robustnosti a interpretovatelnosti prediktivních modelů a ve škálování optimalizovaných řešení aditivní výroby do praktických aplikací. Klíčové bude také vyvážení složitosti modelů s výpočetní efektivitou a udržení silné koordinace mezi partnery projektu pro dosažení dlouhodobého dopadu,“ uvedl strojní inženýr, který může čerpat i ze svých mnohaletých zkušeností z průmyslu.