Datengetriebene Simulation der Gefügestruktur in Pulverbettschmelzverfahren

• Antragsteller: Professor Dr.-Ing. Henning Wessels
• Fachliche Zuordnung: Computergestütztes Werkstoffdesign und Simulation von Werkstoffverhalten von atomistischer bis mikroskopischer Skala ; Mechanik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512730472

Mangelndes Verständnis der Interaktion von Prozess, Struktur und Eigenschaften (PSE) verhindert bis heute die additive Metallfertigung Funktional Gradierter Materialien (FGM). Zwar sind in den letzten Jahren zahlreiche numerische Simulationswerkzeuge entwickelt worden, um die PSE Wechselwirkung zu untersuchen. Diese können aber nicht mit der Flexibilität, die die additive Fertigung den Entwicklern in puncto Gestaltung bietet, mithalten. Der Grund dafür ist die transiente Natur additiver Prozesse und die schiere Anzahl der Parameter, sie beeinflussen. Auf der anderen Seite gibt es Fortschritte in der Entwicklung der Sensortechnologie, die Echtzeitinformationen über den Prozess liefert. In Summe stehen also eine Vielzahl an Modellen und Sensoren bereit, die Daten erzeugen. Die Daten-getriebene Simulation auf der Basis maschineller Lernverfahren bietet die Möglichkeit, Daten aus Simulation, Metrologie und ggf. Experimenten im Sinne eines digitalen Zwillings sinnvoll zu kombinieren. Ziel dieses Projekts ist daher die Entwicklung einer Methodik, die relevante Eigenschaften additiv gefertigter Metallteile allein auf der Grundlage thermischer Messungen vorhersagen kann. Im Falle von Pulverbettschmelzverfahren (PBF) ist insbesondere die Echtzeitsimulation folgender Größen notwendig, um die PSE-Interaktion abbilden zu können: 1) Die Größe des Schmelzpools, um die geometrische Genauigkeit des Prozesses überwachen und bewerten zu können. 2) Die Ausbildung der Gefügestruktur, um die mechanischen Eigenschaften PBF gefertigter Teile bewerten zu können. Bislang sind Simulationen der Gefügeevolution nur für wenige Pulverlagen praktikabel und daher nicht für die Auslegung von FGMs geeignet. Die o.g. Größen lassen sich nicht bzw. nur durch Zerstörung des gefertigten Bauteils messen. In diesem Projekt soll ein Convolutional Neural Network (CNN) aus 2D Thermografie-Daten zunächst ein 3D Temperaturfeld online rekonstruieren. Hierfür soll das CNN offline mit Temperaturdaten, die mittels numerischer Simulation erzeugt wurden, trainiert werden. Darüber hinaus soll unter Ausnutzung der Äquivalenz von CNN zu Finite Differenzen und Cellular Automata das rekonstruierte 3D Temperaturfeld genutzt werden, um die Ausbildung der Gefügestruktur beim PBF zu simulieren. Damit bietet der in diesem Projekt zu entwickelnde Ansatz das Potential, die Lücke in Sensortechnologie und virtueller Prozessplanung sowie im Verständnis der PSE-Interaktion zu schließen. Anstelle echter Thermografie-Daten soll in diesem Projekt auf simulierte Oberflächentemperaturen zurückgegriffen werden. Es wird erwartet, dass bei erfolgreicher Bearbeitung des Projekts die Verwendung von echten Thermografie-Daten mit einem erheblichen Kalibrierungsaufwand einhergeht. Hierfür sollen Anforderungen an die Genauigkeit gemessener Temperaturen definiert werden. Die tatsächliche Kalibrierung könnte in anschließenden Industrieprojekten erfolgen.

• DFG-Verfahren: Sachbeihilfen