Entwicklung eines physikbasierten Machine Learning - Frameworks zur Vorhersage der Bildung prozessbedingter Porosität und der Optimierung der Schweißparameter beim Hochleistungslaserstrahlschweißen

• Antragsteller: Dr.-Ing. Xiangmeng Meng
• Fachliche Zuordnung: Fügetechnik und Trenntechnik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 506270597

In diesem Projekt wird eine neu entwickelte Strategie des maschinellen Lernens, das so genannte physikbasierte Machine Learning (physics-informed machine learning, PIML), zur Vorhersage der Prozessporosität beim Hochleistungslaserstrahlschweißen von Stahl und Aluminium eingesetzt. Im Rahmen von PIML werden experimentelle Untersuchungen, multiphysikalische Modellierung und der ML-Algorithmus interaktiv miteinander kombiniert. Dabei wird eine bidirektionale und quantitative kausale Kette, d.h. Schweißparameter ↔ physikalische Größen ↔ Porositätsbildung, erstellt.So wird ein multiphysikalisch gekoppeltes numerisches Modell entwickelt, um das instationäre 3D-Problem der Laser-Material-Wechselwirkung und des induzierten Wärmeübergangs, der Fluidströmung und der Verformung der freien Oberfläche zu lösen. Dies ermöglicht eine quantitative Beschreibung der Temperaturverteilung, des Geschwindigkeitsfeldes und der Keyholedynamik. Es werden Laserstrahlschweißversuche und die dazugehörigen Messungen und Charakterisierungen durchgeführt, um nicht nur die Validierungsdaten des numerischen Modells, sondern auch die Porositätsdaten für das Training des Modells zu erhalten.Zwei PIML-Module werden entwickelt, wobei die Schweißparameter, die Berechnungsergebnisse und die gemessenen Porositätsverteilungen als Trainings-, Validierungs- und Testdaten verwendet werden. Zunächst werden die physikalischen Variablen aus dem multiphysikalischen Modell extrahiert, und es wird ein prädiktives Modell der Porositätsbildung mit den physikalischen Variablen als Input entwickelt, dessen Ergebnis die Korrelation von physikalischen Variablen → Porositätsbildung ist. Die Hierarchie der verschiedenen physikalischen Variablen auf das Porositätsverteilungsmuster und -verhältnis wird erstmals entkoppelt und analysiert. Weiterhin wird ein weiteres maschinelles Lernmodell entwickelt, das die Schweißparameter und die thermischen Materialeigenschaften als Input verwendet, um eine schnelle Vorhersage der physikalischen Variablen in einem realistischen Zeitrahmen zu ermöglichen. Ein Algorithmus zur Mehrzieloptimierung wird in das ML-Modell integriert, so dass das ML-Modell die optimalen Schweißparameter auswählen kann. Schließlich werden die beiden Module in ein vollständiges PIML-Modell integriert, mit dem nicht nur das Auftreten von Porosität unter bestimmten Prozessparametern vorhergesagt werden kann, sondern auch optimierte Schweißparameter automatisch ausgewählt werden können, um die gewünschte Schweißgeometrie mit dem geringsten Porositätsgrad zu erzeugen.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortliche: Dr.-Ing. Marcel Bachmann; Professor Dr.-Ing. Michael Rethmeier