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:
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.
(siehe Abb. 1.1)
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