Fraunhofer-Institut für Werkstoffmechanik IWMWerkstoffe mit maßgeschneiderten, reproduzierbaren Eigenschaften, effizient hergestellt. Das Projekt entwickelte KI-Methoden für das datengetriebene Materialdesign, die ausgehend von gewünschten Materialeigenschaften gezielt optimale Mikrostrukturen identifizieren und den zugehörigen Fertigungsprozess automatisch steuern.
Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe
Abgeschlossenes Forschungsprojekt
Projektbeschreibung
Marktbedarf und Herausforderungen
Die Nachfrage nach individualisierten, leistungsfähigen Werkstoffen ist ungebrochen. Die gezielte Einstellung von Werkstoffeigenschaften über die Mikrostruktur ist jedoch komplex: Die kausale Kette von Prozessführung über Mikrostruktur zu Eigenschaften ist hochdimensional und nichtlinear. Klassische Ansätze stoßen hier an ihre Grenzen. Gefragt sind Methoden, die diesen Zusammenhang datengetrieben modellieren und invertieren, also vom gewünschten Eigenschaftsprofil zurück zum optimalen Fertigungsprozess rechnen können.
Lösungsansatz des Projekts
Das Projekt entwickelte einen ganzheitlichen, ML-basierten Optimierungsansatz entlang der gesamten Kette Prozess–Struktur–Eigenschaften. Kernstück ist ein Siamese-Multitask-Learning-Netzwerk, das Struktur-Eigenschafts-Beziehungen modelliert und invertiert und damit zu gewünschten Eigenschaften passende Mikrostrukturen identifiziert. Ergänzt wird dieser Ansatz durch Reinforcement-Learning-Algorithmen zur adaptiven Prozesssteuerung sowie durch Active-Learning-Methoden zur effizienten Generierung von Trainings- und Designdaten. Alle Methoden wurden am Beispiel der Texturoptimierung von Blechwerkstoffen validiert.
Beitrag zur Bewältigung der Herausforderungen
Die entwickelten Methoden ermöglichen es erstmals, ausgehend von einem gewünschten Eigenschaftsprofil automatisiert eine Menge geeigneter Ziel-Mikrostrukturen zu bestimmen und den Fertigungsprozess gezielt zu deren Herstellung zu steuern. Durch die Berücksichtigung mehrerer gleichwertiger Zielstrukturen kann der Prozess stets zur am leichtesten erreichbaren Struktur geführt werden. Active-Learning-Strategien reduzieren den Datenbedarf erheblich. Die generischen Ansätze sind auf beliebige Materialklassen und Prozesse übertragbar.
Die Arbeitspakete des Fraunhofer IWM:
Schwerpunkt 1: Datengrundlage und Mikrostrukturcharakterisierung
Auf der Grundlage von repräsentativen Stichproben von Mikrostruktur-Eigenschafts-Datenpunkten für Blechwerkstoffe erstellte das Fraunhofer IWM validierte Datensätze für kaltgewalzte Stähle als Trainings- und Evaluierungsgrundlage für alle nachgelagerten ML-Modelle.
Schwerpunkt 2: ML-Modelle für Struktur-Eigenschafts-Beziehungen und Materialdesign
Das Fraunhofer IWM implementierte und trainierte das Siamese-Multitask-Learning-Netzwerk zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und entwickelte ein Modell, das zu vorgegebenen Ziel-Eigenschaften eine diverse Menge herstellbarer Mikrostrukturen generiert.
Schwerpunkt 3: Effiziente Datengenerierung durch Active Learning
Über einen Active-Learning-Ansatz mit integriertem Region-Filter zur effizienten Exploration des Mikrostruktur-Eigenschaftsraums konzipierte das Frunhofer IWM eine Sampling-Strategie, die mit deutlich weniger Simulationen größere Bereiche extremaler Eigenschaften erschließt als Standardverfahren wie Latin Hypercube Design.
Auf der Grundlage der Projektergebnisse kann das Fraunhofer IWM Industrieunternehmen folgende Forschungs- und Entwicklungsleistungen anbieten:
1. Datengetriebene Modellierung von Struktur-Eigenschafts-Beziehungen
Ziel ist für Unternehmen schnell auswertbare digitale Abbilder von Werkstoffsystemen für Materialdesign, Qualitätsprognose und Prozessoptimierung zu erzeugen.
2. Inverses Materialdesign: Mikrostrukturen für gewünschte Eigenschaften
Ausgehend von einem vorgegebenen Eigenschaftsprofil wird für Unternehmen gezielt eine Auswahl herstellbarer Mikrostrukturkandidaten identifiziert, die ihre Anforderungen erfüllen.
3. KI-gestützte adaptive Prozesssteuerung mit Reinforcement Learning
Das Fraunhofer IWM entwickelt und erprobt Reinforcement-Learning-basierte Algorithmen zur modellfreien, adaptiven Steuerung von Fertigungsprozessen. Industrieunternehmen profitieren von einer lernenden Prozesssteuerung, die sich selbstständig an Schwankungen anpasst und Ausschuss sowie Iterationsaufwand bei der Prozessauslegung deutlich reduziert.
4. Struktur-geführte Prozesspfadoptimierung
Unternehmen erhalten datenbasierte Prozessrezepte, die gezielt auf die gewünschten Werkstoffeigenschaften ausgerichtet sind – ohne aufwändige experimentelle Parametersuche.
5. Active-Learning-basierte Exploration von Werkstoff- und Prozessräumen
Das Fraunhofer IWM setzt erweiterte Active-Learning-Strategien ein, um mit minimalem Simulations- und Versuchsaufwand den relevanten Eigenschaftsraum eines Werkstoffs oder Prozesses effizient zu erkunden und Bereiche extremaler Eigenschaften zu identifizieren.
6. Übertragung der Methoden auf neue Werkstoffklassen und Prozesse
Das Fraunhofer IWM passt die generischen, im Projekt entwickelten ML-Methoden auf spezifische Werkstoffsysteme und Fertigungsprozesse des Industriepartners an – von Dualphasenstählen über Aluminiumlegierungen bis hin zu additiv gefertigten Bauteilen.
