Maßgeschneiderte Werkstoffeigenschaften durch Mikrostrukturoptimierung: Maschinelle Lernverfahren zur Modellierung und Inversion von Struktur-Eigenschafts-Beziehungen und deren Anwendung auf Blechwerkstoffe
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Herstellung und Eigenschaften von Funktionsmaterialien
Zusammenfassung der Projektergebnisse
Die im Antrag formulierten Ziele des Vorhabens konnten vollständig erreicht werden. Mit dem im Vorhaben entwickelten Siamese Multitask-Learning Netz für die Darstellung von Struktur-Eigenschaftsbeziehungen in Kombination mit der Strukturfindung durch einen genetischen Optimierer sowie mit den entwickelten Struktur-Generativen Modellen stehen die vorgesehenen „Methoden zur Inversion technologisch bedeutsamer Struktur-Eigenschafts-Beziehungen sowie von Methoden zur Merkmalsextraktion für die effiziente Beschreibung von Mikrostrukturen durch Überwachtes Lernen und Unüberwachtes Lernen“ zur Verfügung. Diese auf eine Vielzahl von Prozessen durch entsprechende Daten ausprägbaren Verfahren wurden anhand von simulierten Umformprozessen erfolgreich evaluiert. Die vorgesehene Übertragbarkeit auf andere Prozesse und Werkstoffklassen ist durch die Generizität der Verfahren hinsichtlich der Mikrostrukturmerkmale und Eigenschaften sowie durch die separaten Lösungen für die Inversion der Struktur-Eigenschafts-Beziehungen und der Prozess-Struktur-Beziehungen gewährleistet. Im Allgemeinen benötigen die verwendeten Modelle des maschinellen Lernens repräsentative Stichproben, um die modellierten Abbildungsfunktionen korrekt darzustellen, deren Definitionsbereich somit (bezüglich des Prozesses) vollständig abgetastet werden muss. Um diesen experimentellen Aufwand gering zu halten, wurden im Vorhaben Methoden des Active Learning entwickelt und erweitert, die eine besonders effiziente Abtastung gewährleisten. Die Aufgabe der adaptiv-optimalen Führung der Herstellungsprozesse durch adaptive Prozesspfad- Optimierungsverfahren wurde durch Entwicklung des Algorithmus Single-Goal Structure-guided Processing Path Optimization für (vektorielle) Einziel-Prozessführungen unter nur partieller Beobachtbarkeit sowie des Algorithmus Multi-equivalent-Goal Structure-guided Processing Path Optimization für Mehrziel-Prozessführungen gelöst. Für das Zusammenbringen der Communities und der Förderung des wissenschaftlichen Austausches wurden zudem zwei gut angenommene Workshops, ein Hands-On-Tutorial sowie ein Symposium auf der Materials Science and Engineering Konferenz 2020 abgehalten. Weiterhin wurden die Ergebnisse des Vorhabens in renommierten Fachzeitschriften publiziert.
Projektbezogene Publikationen (Auswahl)
-
A new machine learning based method for sampling virtual experiments and its effect on the parameter identification for anisotropic yield models. IOP Conference Series: Materials Science and Engineering, 1157(1), 012026.
Wessel, A.; Morand, L.; Butz, A.; Helm, D. & Volk, W.
-
Deep reinforcement learning methods for structure-guided processing path optimization. Journal of Intelligent Manufacturing, 33(1), 333-352.
Dornheim, Johannes; Morand, Lukas; Zeitvogel, Samuel; Iraki, Tarek; Link, Norbert & Helm, Dirk
-
Modellfreies Lernen optimaler zeitdiskreter Regelungsstrategien für Fertigungsprozesse mit endlichem Zeithorizont, Fakultät für Maschinenbau am Karlsruher Institut für Technologie, 2021
J. Dornheim
-
Efficient Exploration of Microstructure-Property Spaces via Active Learning. Frontiers in Materials, 8.
Morand, Lukas; Link, Norbert; Iraki, Tarek; Dornheim, Johannes & Helm, Dirk
-
Maschinelle Lernverfahren zur Lösung von Materialdesignfragestellungen: Materialmodellierung, Datengenerierung und Anwendung, Technische Fakultät der Universität Freiburg, 2022
L. Morand
-
A multi-task learning-based optimization approach for finding diverse sets of microstructures with desired properties. Journal of Intelligent Manufacturing, 35(4), 1887-1903.
Iraki, Tarek; Morand, Lukas; Dornheim, Johannes; Link, Norbert & Helm, Dirk
-
Machine learning-based sampling of virtual experiments within the full stress state. International Journal of Mechanical Sciences, 275, 109307.
Wessel, Alexander; Morand, Lukas; Butz, Alexander; Helm, Dirk & Volk, Wolfram
