Fraunhofer-Institut für Werkstoffmechanik IWMMaschinelles Lernen
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
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
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
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