Fraunhofer-Institut für Werkstoffmechanik IWM
Fraunhofer-Institut für Werkstoffmechanik IWM

Maschinelles Lernen

© Fraunhofer IWM

Maschinelles Lernen hält Einzug in vielen Forschungsbereichen, verändert dabei maßgeblich die Sicht auf bestehende Fragestellungen und birgt ein riesiges Innovationspotential. Dies gilt auch für die Materialwissenschaften und die Umformtechnik im Speziellen. Als Experten auf dem Gebiet der Materialcharakterisierung, -modellierung und Simulation von Umformprozessen untersuchen wir, wie maschinelles Lernen bei der Lösung materialwissenschaftlicher Fragestellungen im  Allgemeinen aber auch im industriellen Kontext eingesetzt werden kann. Forschungsfelder, die wir bearbeiten:

  • Integration von Domänenwissen und numerischer Simulation in maschinelle Lernverfahren und deren Zusammenführung in Grey-Box Modellen
  • Effiziente Identifikation von Parametern für Materialmodelle mittels neuronalen Netzen
  • Softsensorik: Online-Verfügbarkeit von durch numerische Simulationen erzeugten Zustandsinformationen des Bauteils im Prozess
  • Anwendung von maschinellem Lernen in der Produktion und Erforschung von intelligenten Anlagensteuerungen
  • Entwicklung von Methoden zur Abbildung und Inversion von Mikrostruktur-Eigenschafts-Beziehungen metallischer Werkstoffe und deren Anwendung in der Produktion

Parameteridentifikation mittels neuronaler Netze

© Fraunhofer IWM
Abb. 1.1: Vorgehen zur Erzeugung einer ML-basierten Transferfunktion zur geschickten Identifikation von Materialparametern

Anwendung

Identifikation von Parametern eines Materialmodells zur Anpassung des Modells an experimentelle Befunde. Mittels inversem Machine Learning-Modell wird eine Transferfunktion zwischen experimentellen Messungen und den Materialparametern direkt hergestellt.

Vorgehen

(siehe Abb. 1.1)

  • Aufbau physikalisches Modell des experimentellen Setups. Dafür wird das Materialmodell verwendet für welches die Parameter angepasst werden sollen.
  • Festlegen des Parameterraums
  • Auswerten des physikalischen Modells für verschiedene Sets von Materialparametern. Diese sind entsprechend einer Samplingstrategie möglichst gut gestreut.
  • Erstellen eines inversen Vorhersagemodells mittels maschinellem Lernen (bspw. neuronale Netze).  Die Eingangswerte für das ML-Modell sind die experimentellen Befunde, die Ausgabewerte sind Materialparameter
© Fraunhofer IWM
Abb. 1.2: Experimentelle Kurven drei metallischer Werkstoffe und reproduzierte Kurven eines elastoplastischen Materialmodells und identifizierte Materialparameter durch ein trainiertes ML-Modells

Vorteile gegenüber Optimierer

Nachdem das ML-Modell trainiert ist, kann direkt eine Vorhersage für Materialparameter getroffen werden. Es ist kein iteratives, meist zeitaufwendiges Vorgehen nötig,  wie es bei Optimierern üblich ist

Anwenden des ML-Modells auf unterschiedliche Materialien möglich, unter der Bedingung dass dasselbe experimentelle Setup benutzt wurde und Parameter für das Materialmodell identifiziert werden sollen, mit welchem das ML-Modell trainiert wurde (siehe Abb. 1.2)

Bei ausreichendem Sampling werden eher globale Lösungen gefunden. Die Methode tendiert weniger dazu in lokalen Optima stecken zu bleiben. Dies gilt vor Allem auch für den Umgang mit Mehrdeutigkeiten

nach oben

Intelligente Steuerung von Prozessen auf Basis von digitalen Werkstoffen und maschinellem Lernen

© Fraunhofer IWM
Abb. 2.1: Lösungskonzept für digitalisierte Prozesskette mit intelligenter, werkstoffoptimierter Steuerung am Beispiel der Blechbauteilfertigung

Vision

  • Erschließung von Optimierungspotentialen in komplexen Produktionsprozessen mittel Datenakquise und Simulations-unterstützte Methoden des maschinellen Lernens
  • Anpassungsfähige Prozesssteuerung bis hin zur autonomen Produktion, z.B. in der Blechbauteilfertigung (siehe Abb. 2.1)

Mehrwert und Nutzen

  • Flexible, selbstständige Anpassung der Prozesse an sich verändernde Umstände (z.B. Materialzustände, Störgrößen, Verschleiß)
  • Umgehen langer, kostenintensiver Anfahrzeiten und ressourceneffiziente Produktion durch schnelle Anpassung der Prozessparameter
  • Bsp.: Aufrüstung der hauseigenen Glasbiegeanlage zur kognitiven Maschine im Fraunhofer Leitprojekt Machine Learning for Production

nach oben

Publikationen

 

  • Heese, R.; Walczak, M.;  Morand L.; Helm D.; Bortz, M., The Good, the Bad and the Ugly: augmenting a black-box model with expert knowledge, Artificial Neural Networks and Machine Learning – ICANN 2019: Workshop and Special Sessions, Lecture Notes in Computer Science Vol. 11731; Tetko, I.V.; Kůrková, V.; Karpov, P.; Theis, F. (Eds.); Springer, Cham (2019) 391-395 Link
  • Morand, L.; Helm, D., A mixture of experts approach to handle ambiguities in parameter identification problems in material modeling, Computational Materials Science 167 (2019) 85-91 Link
  • Morand, L.; Helm, D.; Iza-Teran, R.; Garcke, J., A knowledge-based surrogate modeling approach for cup drawing with limited data, IOP Conference Series: Materials Science and Engineering Vol. 651/1; 38th International Deep Drawing Research Group Annual Conference IDDRG 2019; van den Boogaard, T.; Langerak, N. (Eds.); IOP Publishing Ltd., Bristol, UK (2019) 012047 1-8 Link
  • Morand, L.; Pagenkopf, J.; Helm, D., Material-based process-chain optimization in metal forming, PAMM 17/1 Special Issue: 88th Annual Meeting of the International Association of Applied Mathematics and Mechanics (GAMM); Könke, C.;Trunk, C. (Eds.); Wiley-VCH Verlag & Co. KGaA, Weinheim (2017) 709-710 Link

nach oben