Record #871495 - RWTH Publications

DFG project G:(GEPRIS)415804944

Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe

Coordinator	Dr.-Ing. Dirk Helm ; Professor Dr. Norbert Link
Grant period	2019 - 2023
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)415804944

Note: Die Ableitung der Steuergrößen materialverarbeitender Prozesse zur Herstellung von Werkstoffen mit gewünschten Eigenschaften ist das "inverse Problem" zur Kausalitätskette Prozessführung-Mikrostrukturausprägung-Werkstoffeigenschaften. Das Hauptziel des Vorhabens ist die Schaffung einer neuen Basis zur Lösung dieses Problems unter dem Einsatz moderner Verfahren aus dem Bereich des Maschinellen Lernens. Die Inversion soll aus den beiden, explizit separaten Gliedern "Eigenschafts-Struktur-Abbildung" und "Struktur-geführte, optimale Prozess-Regelung" bestehen. Der Fokus liegt in der Untersuchung und Entwicklung von Methoden, die eine Inversion der Struktur-Eigenschafts-Beziehungen von industriell relevanten Werkstoffen erlauben. Diese Inversion stellt die Grundlage für das Design von Mikrostrukturen und die optimale Führung der zugehörigen Herstellungsprozesse dar. Ziel ist ebenfalls die Entwicklung optimaler Regelungsmethoden zur Erreichung derjenigen Strukturen, welche die gewünschten Eigenschaften darstellen. Wie inverse Probleme mithilfe der entwickelten, generischen Methoden für konkrete Aufgaben der Herstellung von Werkstoffen mit bestimmten Eigenschaften gelöst werden, wird anhand von Prozessen der Blechherstellung dargestellt.Zu den Kern-Zielen zählt die Entwicklung von Methoden zur Inversion technologisch bedeutsamer Struktur-Eigenschafts-Beziehungen sowie zur Merkmalsextraktion für eine effiziente Beschreibung von Mikrostrukturen durch Überwachtes Lernen und Unüberwachtes Lernen. Für die adaptiv-optimale Regelung der Herstellungsprozesse werden adaptive Prozesspfad-Optimierungsverfahren auf Basis von Reinforcement Learning entwickelt. Wir erwarten, dass die Ergebnisse zu einem wachsenden Verständnis technologisch relevanter Prozess-Struktur-Eigenschafts-Beziehungen von Blechwerkstoffen beitragen. Es sollen Werkzeuge entstehen, mit denen eine wirtschaftliche Entwicklung neuer Werkstoffe und Prozessführungen begünstigt wird.