Project Details
Projekt Print View

Development of a system for stress-related material development of polymer-based tribological materials by combining simple mathematical methods with artificial neural networks

Subject Area Plastics Engineering
Term from 2018 to 2022
Project identifier Deutsche Forschungsgemeinschaft (DFG) - Project number 399606374
 
Final Report Year 2022

Final Report Abstract

Zur modellhaften Beschreibung und Vorhersage der tribologischen Eigenschaften von kunststoffbasierten tribologischen Werkstoffen im Kontakt mit einem metallischen Gleitpartner wurde die Methode der künstlichen neuronalen Netze angewendet. Im ersten Schritt wurden verschiedene PEEK-Tribocompounds compoundiert und anschließend mechanisch sowie tribologisch untersucht. Die Ergebnisse der mechanischen Untersuchungen zeigen, dass die mechanischen Eigenschaften sehr stark von der Formulierung des Compounds abhängig sind, insbesondere vom Kohlenstofffaseranteil. Mit Hilfe eines faltungsneuronalen Netzes wurde die Erkennung der transienten und stationären Phase aus dem Reibungs- und Verschleißverhalten von reinem PEEK trainiert. Die Übertragung dieses Netzes auf die geprüften Tribocompounds zur Erkennung der tribologischen Phasen zeigt, dass mit dieser Methode die stationäre Phase sehr zuverlässig erkannt wird. Die Resultate wurden mit einer in MATLABL abgebildeten Routine auf Basis einer analytischen Lösung zur Phasendefinition verglichen. Damit war die Grundlage geschaffen, tribologische Kennwerte als Funktion unterschiedlicher, statistisch ausgewählter und randomisiert abgefahrener pv-Kombinationen mit einem gegenüber einer Standardversuchsfahrweise signifikant geringeren zeitlichen Aufwand zu ermitteln und damit im Umkehrschluss im Projektzeitraum ausreichend Daten zu generieren, um ein künstliches neuronales Netz füttern zu können. Die Resultate der tribologischen Messungen zeigen als Funktion der unterschiedlichsten Betriebsbedingungen/Lastkollektive, dass der Reibungskoeffizient stark von der Gegenkörpertemperatur abhängt und ein Minimum bei T = 80 °C durchläuft. Diese Temperatur scheint zunächst unabhängig von für den Matrixwerkstoff charakteristischen Temperaturen wie beispielsweise der Glasübergangstemperatur (Tg) zu sein. Eine Berechnung der dreidimensionalen Temperaturverteilung und damit letztendlich der Kontakttemperatur konnte aus Zeitgründen nicht durchgeführt werden. Da die grundsätzlich Lösung aber gerade in einer Dissertation erarbeitet wurde, soll diese Methode in einem weiteren Projekt angewendet werden, um eigentlich plausible Zusammenhänge zu charakteristischen Temperaturen aufzudecken oder zu widerlegen. Eine Temperaturerhöhung kontinuierlich zu einer deutlichen Steigerung der spezifischen Verschleißrate. Eine Erhöhung der Gegenkörperrauheit führt zu einem Anstieg in der Verschleißrate. Der Einfluss der Kontaktfläche ist im untersuchten Bereich vernachlässigbar. Allerdings zeigt die Faserorientierung in der Kontaktfläche, die sich bei unterschiedlicher Kontaktfläche probenpräparationsbedingt unterscheiden kann, einen signifikanten Einfluss. Auf Basis der ermittelten tribologischen Kennwerte wurden künstliche neuronale Netze mit der Materialformulierung, Flächenpressung; Temperatur, Gegenkörperrauheit sowie der Kontaktgröße als Inputparameter und dem Reibungskoeffizienten sowie der spezifischer Verschleißarte als Outparameter aufgebaut, trainiert und optimiert. Zum Training der Netze wurde ein Levenberg-Marquardt-Algorithmus eingesetzt, der sich bereits in vorangegangenen eigenen Arbeiten als eine sehr geeignete Methode für die Simulation und Vorhersage der tribologischen Eigenschaften sich erweisen hatte. Damit konnte in diesem Projekt grundsätzlich nachweisen werden, dass ein optimiertes neuronales Netz den Reibungskoeffizienten und die spezifische Verschleißrate eines Tribomaterials allein auf Basis der Materialzusammensetzung und den Betriebsbedingungen/Lastkollektiven sehr gut vorhersagen kann. Darüber hinaus kann das Netz durch Anwendung einer Brute-Force-Suche als Screening-Methode für neue Materialformulierungen mit einem lastabhängigen tribologischen Zielfeld, aber auch unter Berücksichtigung ökonomischer Zielgrößen, genutzt werden. Dadurch lassen sich Zeit- und Kostenaufwand in der Optimierung der Materialzusammensetzung für ein tribologisches Ziellastkollektiv auf Basis einer datenmäßig grob charakterisierten Grundformulierung erheblich reduzieren.

Publications

  • Tribological Investigation of PEEK Materials Facilitated by Artificial Neural Networks. Tribologie-Fachtagung, Göttingen, 23.-25. September 2019
    X.Q. Pei, Y.X. Zhao, A.K. Schlarb
  • Artificial neural network supported tribological evaluations of different polymer-based composites. Tribologie-Fachtagung, Göttingen, 27.-29. September 2021, online
    Y.X. Zhao, L.Y: Lin, A.K. Schlarb A.K.
  • Development and Optimization of high performance PEEK/CF/Nanosilica hybrid composites. Polymers for Advanced Technologies 32 (2021) 3150-3159
    L.Y. Lin, A.K. Schlarb
    (See online at https://doi.org/10.1002/pat.5327)
 
 

Additional Information

Textvergrößerung und Kontrastanpassung