Entwicklung eines datenbasierten Modells zur Vorhersage effektiver mechanischer und thermischer Eigenschaften spritzgegossener teilkristalliner Thermoplaste anhand eines künstlichen neuronalen Netzes (KNN) unter Berücksichtigung der Gefügestruktur
Zusammenfassung der Projektergebnisse
In diesem Projekt zur Entwicklung eines datenbasierten Modells zur Vorhersage effektiver Werkstoffeigenschaften von teilkristallinen Polymeren wurden Arbeiten zur Erstellung einer umfangreichen Datenbank von numerisch berechneten Werkstoffeigenschaften und zu Entwicklungen von künstlichen neuronalen Netzen als datenbasiertes Modell durchgeführt. In der Datenbank wurden insgesamt 485 Datensätze erfasst, die verschiedene Temperaturhistorien mit resultierenden Werkstoffeigenschaften des teilkristallinen Thermoplasten verknüpfen. Dabei wurden zunächst die entstehende Gefügestruktur zu jeder Temperaturhistorie berechnet und aus der Gefügestruktur mittels numerischer Homogenisierung die mechanischen Eigenschaften ermittelt. Die Rechenzeit der numerischen Homogenisierung stellte sich als limitierende Methode dar, da die Rechendauer stark von der Anzahl individueller Gefügestrukturen in einem Volumenelement abhängt. Eine Sortierung nach der Anzahl der Gefügestrukturen maximierte die Anzahl der verfügbaren Daten, um ein Training künstlicher neuronaler Netze zu ermöglichen. Aus der erstellten Datenbank wurden erstmals Korrelationen zwischen den mechanischen Eigenschaften und mehrerer geometrischer Parameter, die über den Durchmesser der Gefügestruktur hinaus gehen, hergestellt. Dabei wurde festgestellt, dass eine Zunahme der Grenzfläche zwischen Sphärolithen einen positiven Einfluss auf die mechanischen Eigenschaften hat, was den Erwartungen widerspricht. Allerdings folgt der inverse Zusammenhang des durchschnittlichen Sphärolithvolumens mit den mechanischen Eigenschaften den Erwartungen experimenteller Messungen aus der Literatur. Da viele der ermittelten geometrischen Parameter stark mit dem Volumen korrelieren, kann angenommen werden, dass die Korrelation für diese Parameter ebenfalls mit der Realität übereinstimmen. In diesem Forschungsprojekt konnte gezeigt werden, dass es prinzipiell möglich ist, geometrische Parameter simulierter Gefügestrukturen und effektive mechanische Eigenschaften auf Basis dieser Gefügestruktur mittels neuronaler Netze vorherzusagen. Dies lässt sich aus der Trendfolgefähigkeit zweier neuronaler Netze ableiten, die jeweils die Vorhersage der Gefügestruktur aus der Temperaturhistorie und der effektiven Eigenschaften aus der Gefügestruktur durchführen. Durch die Anwendung neuronaler Netze ist dadurch eine Vorhersage innerhalb von wenigen Sekunden möglich. Allerdings konnten die mechanischen Eigenschaften bei Volumenelementen mit vielen Sphärolithen und großer Grenzfläche nur mit einer relativen Abweichung von ~10,5 % vorhergesagt werden, wohingegen sonst eine mittlere relative Abweichung von ~3 % erreicht wurde. Darüber hinaus ist die Vorhersagegüte der neuronalen Netze an die Präzision der Simulation gebunden, wodurch auch eine koordinatensystemabhängige Richtungsabhängigkeit der mechanischen Eigenschaften durch das neuronale Netz erlernt wurde. Die Richtungsabhängigkeit ist allerdings nicht physikalisch begründbar, sondern ein Artefakt der numerischen Homogenisierung. Daher ist eine industrielle Anwendung der neuronalen Netze ohne ein Folgeprojekt, welches die koordinatensystemabhängige Richtungsabhängigkeit der numerischen Homogenisierung adressiert, nicht gegeben. Dennoch wurde durch die Trendfolgefähigkeit gezeigt, dass sich ein neuronales Netz eignet, um eine Interpolation zwischen simulierten Bereichen von spritzgegossenen Bauteilen durchzuführen. Dies ist besonders interessant für die Berechnung der mechanischen Eigenschaften in Abhängigkeit der Gefügestruktur ganzer Bauteile, um zum Beispiel den Verzug vorhersagen zu können, da eine vollständige Gefügestruktursimulation und Berechnung der mechanischen Eigenschaften für reale Bauteile mehrere Monate Rechenzeit benötigt.
Projektbezogene Publikationen (Auswahl)
-
Characterisation of the spherulitic microstructure of semi-crystalline thermoplastics. Materialia, 18, 101145.
Nokhostin, Hamed & Hopmann, Christian
