iBain: Intelligent-datengeführtes Prozessdesign für ermüdungsresistente Stahlbauteile am Beispiel bainitischer Mikrostruktur

Projektbeschreibung

Das Projekt iBain hat sich zum Ziel gesetzt, künstliche Materialintelligenz zur Optimierung hochfester Stähle zu etablieren. Bainit, ein bestimmtes Stahlgefüge, hat aufgrund seiner komplexen inneren Struktur herausragende mechanische Eigenschaften, die bei der Herstellung bewusst eingestellt werden können. Diese innere Struktur stellt bereits höchste Anforderungen an Analyse und Interpretation. Deshalb werden automatische Mustererkennung und Simulationen zur Ergänzung experimenteller Befunde eingesetzt. Statistische Methoden der Versuchsplanung (sogenanntes »Design of Experiments«) helfen, Experimente und Simulationen zu planen, sowie Redundanzen zu vermeiden. Schließlich wird eine automatisierte Steuerung des Arbeitsablaufs und Datenflusses etabliert. Als Ergebnis wird ein maßgeschneiderter Produktionsablauf vorgeschlagen, um optimierte Erzeugnisse mit überlegenen Eigenschaften produzieren zu können.

Im Projekt wurde eine Materialontologie entwickelt, durch die die Meta-Daten ausgelesen und verarbeitet werden konnten. Darüber hinaus wurden Data-Mining-Verfahren entwickelt, um vorhandene Erkenntnisse experimenteller Daten des IEHK der RWTH Aachen und des Fraunhofer IWM tiefergehend zu interpretieren. Weiterhin wurden multiskalige (teils) Open Source-Simulationen dazu genutzt, experimentell schwer zugängliche Informationen zu rekonstruieren. Es wurde ein automatisierter, digitaler Workflow etabliert, der es in einem späteren Schritt industriellen Nutzern ohne tiefes Expertenwissen ermöglicht, eigene Daten in gleicher Weise zu analysieren und zu bewerten (data sovereignty). Hierfür wurde ein Künstliches Material-Intelligenz System (KMI) entwickelt, das die auf einer Datenbank abgelegten experimentellen sowie simulativen Daten erfasst, analysiert und strukturiert bereithält. Durch den Einsatz der KMI und der strukturierten digitalen Daten wurde die Verknüpfung der Prozessparameter (Temperatur, Umformgrad, Abschreckrate) mit den resultierenden Mikrostrukturparametern (Größe, Form und Zusammensetzung der Austenitkörner, Ferritlanzetten-/körner und Karbide) ermöglicht. Die resultierende digitale Repräsentation, der digitale Zwilling, erlaubt eine prädiktive Eigenschaftsbeschreibung bainitischer Stähle in Abhängigkeit von der Mikrostruktur und den Verarbeitungsprozessen und kann zur Vorhersage optimierter Prozessparameter und folglich zur Verbesserung der Materialgüten eingesetzt werden.

Arbeitsschwerpunkte waren:

• Etablierung einer Materialontologie für die Materialklasse (bainitische) Stähle mit Einbeziehung der Struktur-Eigenschaftsbeziehungen in Zusammenarbeit mit der Innovationsplattform MaterialDigital.
• Entwicklung von übergreifenden semantischen Strukturen der unterschiedlichen Datenquellen, Simulationsmethoden und Analysewerkzeuge in Hinblick auf die Einbettung in Materialontologie und digitalen Workflow.
• Aufbau einer Datenbank für die Speicherung und Verwaltung der vorhandenen und anfallenden experimentell und simulativ gewonnenen Daten mit Funktionsintegration zum Data-Mining und maschinellen Lernen.
• Künstliche Material-Intelligenz gestützte Zusammenführung von Parametern bainitischer Mikrostrukturen mit den jeweils präsenten Prozessparametern.
• Verifikation und Anpassung einer Simulationsumgebung für Schädigung in bainitischen Stählen im HCF- und VHCF-Bereich ((very) high cycle fatigue).
• Künstliche Material-Intelligenz geführte Zusammenführung von Ermüdungsdaten (Wöhler-Kurven, Lebensdauervorhersagen aus numerischen Modellen) mit den relevanten Mikrostrukturparametern bainitischer Stähle.