Digitale Methoden für die Lebensdauer-Bewertung

© Fraunhofer IWM
Abbildung 1: Datensatz zum Ermüdungsverhalten hochfester Stähle, der eine Vielzahl verschiedener Materialklassen und Einflussgrößen abdeckt (ca. 110 Materialien, 1100 Serien und 22000 Ermüdungsexperimente)

Am Fraunhofer IWM werden digitale Konzepte geschaffen, die auf die systematische Nutzung von Werkstoffdaten im Sinne einer beschleunigten Produktentwicklung abzielen. Daten, die in entsprechend strukturierten Datenräumen und Wissensgraphen abgelegt werden, ermöglichen dabei eine interoperable Anbindung verschiedener Analysewerkzeuge, die die verschiedenen Blickwinkel beim Durchlaufen der Prozesskette während der Produktentwicklung abdecken. Im Rahmen des Fraunhofer-internen Vorlaufforschungsprojektes »UrWerk« wird ein solcher Datenraum für den UseCase »Ermüdung hochfester Stähle« entwickelt.

Dabei beeinflusst eine Vielzahl von Parametern das Ermüdungsverhalten, die angefangen bei der metallurgischen Prozessierungsroute über verschiedene Härteverfahren, Belastungsparameter im Bauteileinsatz bis hin zu Bruchflächencharakteristika und verschiedenen Versagensmodi reichen. In einem entsprechenden Wissensgraph soll dazu abgebildet werden, wie sich Parameter wie Härte, Rauheit und viele mehr entlang der verschiedenen Prozessschritte entwickeln und verändern.

© Fraunhofer IWM
Abbildung 2: Ausschnitt eines ontologiebasierten Wissensgraphs zur Beschreibung von Prozess-Mikrostruktur-Eigenschaftsbeziehungen zum UseCase »Ermüdung hochfester Stähle«

Um Korrelationen für technische Anwendungen sichtbar zu machen und für die Lebensdauervorhersage zu nutzen, wird dabei eine Datenanalyse mittels Machine Learning an den Datenraum angekoppelt. Dazu wurde im Projekt ein umfänglicher Datensatz (ca. 110 Materialien, 1100 Serien und 22000 Ermüdungsexperimente) aufgebaut, der eine Vielzahl von Materialklassen und Einflussgrößen abdeckt und der mittels künstlicher Intelligenz eine Vorhersage der Ermüdungsfestigkeit in Abhängigkeit dieser Einflussgrößen ermöglicht (siehe Abbildung 1). Maßgeschneiderte, ontologiebasierte Wissensgraphen (siehe Abbildung 2) ermöglichen es hierbei, die Daten nicht nur tabellarisch zu erfassen, sondern entlang der Prozesskette miteinander in Beziehung zu bringen und die Relationen zur Vorhersage der Ermüdungsfestigkeit zu nutzen, sodass die Prozess-Mikrostruktur-Eigenschaftsbeziehungen gezielt ausgewertet werden können.

nach oben