Projektbeschreibung
Die in der Praxis eingesetzten Langzeitversuche zu Charakterisierung des Materialverhaltens von Kupferwerkstoffen sind nur begrenzt geeignet, um daraus belastbare Eingangsdaten für CAE-Anwendungen (bspw. Finite Elemente Methode, FEM) zu ermitteln. Aufgrund steigender Anforderungen an Bauteile aus Kupferwerkstoffen, z.B. bei elektrischen Steckverbindern, ist für die sichere und ressourceneffiziente Bauteilauslegung eine genauere Kenntnis dieser Eingangsdaten jedoch unerlässlich.
Das Projekt zielte darauf ab, aus etablierten Standardversuchen ohne eine Erhöhung des experimentellen Aufwands genauere Informationen über das Langzeitverhalten von Kupferwerkstoffen zu gewinnen, um belastbare Eingangsdaten für CAE-Anwendungen zu liefern.
Hierfür wurde am fem ein neuer Prüfstand aufgebaut, um präzise instrumentierte Messungen im Cantilever-Versuch zu ermöglichen. Parallel dazu erfolgten Vergleichsmessungen im uniaxialen Versuch in der Universalprüfmaschine. Mithilfe numerischer Methoden und Maschinellen Lernens wurde ein klarer Zusammenhang zwischen den Messgrößen der ASTM-Versuche und den zeit- und temperaturabhängigen Eigenschaften von Kupferwerkstoffen aufgezeigt. Dies ermöglicht es, aus den Messgrößen eines ASTM-Versuchs das zeit- und temperaturabhängige Materialverhalten bzw. die Materialparameter für ein gewähltes Werkstoffmodell direkt und kostengünstig zu bestimmen.
Teilvorhaben Fraunhofer IWM
Im Rahmen des Teilvorhabens am Fraunhofer IWM wurde ein neuartiges Materialmodell entwickelt, das auf den Ergebnissen zweier vorhergehender Projekte (IGF 17278 N, IGF 18597 N) basiert. Bisherige Materialkennwerte stammten aus uniaxialen Relaxationsversuchen, die jedoch kostspielig und ressourcenintensiv sind. Um alternative Testmethoden wie den Cantilever-Versuch (ASTM Norm E328 Standard Test Methods for Stress Relaxation for Materials and Structures) besser nutzen und die Kennwerte aus diesen Tests in Materialparameter überführen zu können, wurden Machine-Learning-Methoden eingesetzt.