Entwicklung eines datengesteuerten Ansatzes für das inverse Design von Mikrostruktur-Eigenschafts-Beziehungen von austenitischen Stählen und recyclingbedingten Variationen in der chemischen Zusammensetzung

• Antragstellerinnen: Professorin Dr.-Ing. Lisa Scheunemann; Professorin Dr.-Ing. Martina Zimmermann
• Fachliche Zuordnung: Mechanik ; Mechanische Eigenschaften von metallischen Werkstoffen und ihre mikrostrukturellen Ursachen
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 562153065

Austenitische nichtrostende Stähle (ASS), die in vielen Industriezweigen als Bleche verwendet werden, erhalten ihre endgültige Form in Umformprozessen. Metastabile ASS weisen eine verformungsinduzierte Umwandlung von Austenit in Martensit auf, deren Ausmaß stark von der Stapelfehlerenergie (SFE) abhängt. Der Volumenanteil von Austenit und Martensit im Gefüge, insbesondere im Zusammenspiel mit nichtmetallischen Einschlüssen, spielt eine große Rolle für das mechanische Verhalten, sowie statische und zyklische Festigkeit. Die SFE wird jedoch stark von der chemischen Zusammensetzung des Werkstoffs beeinflusst, wobei ASS ein ausgeprägtes gültiges Fenster an Legierungselementen aufweist. Klassische Sortierverfahren während des Recyclings können geringfügige Unterschiede in der chemischen Zusammensetzung nicht optimal unterscheiden, was zu Schwankungen bei den Legierungselementen und damit der SFE führt. Die Bewertung der Beziehung zwischen Prozessparametern (Verformungsgeschichte), Mikrostruktur (Austenit-Martensit-Mikrostruktur mit nichtmetallischen Einschlüssen) und Eigenschaften (statisches und zyklisches mechanisches Verhalten) wird in diesem Projekt durch einen datenbasierten Ansatz realisiert, der Fachwissen aus den Materialwissenschaften und der Mechanik kombiniert. Ziel ist es, Gefüge-Eigenschafts-Beziehungen zu identifizieren, die in einem inversen Ansatz verwendet werden. Auf der Grundlage von experimentellen Schliffbildern und Festigkeitsmessungen werden Gefüge- und Werkstoffdaten für die numerische Simulation bereitgestellt. Durch quasistatische numerische Simulation verschiedener Gefügedarstellungen wird eine Trainingsdatenbank erzeugt. Zur Unterstützung geringer Datenmengen wird ein physikgestütztes neuronales Operator-Framework trainiert, um die Beziehung zwischen mikrostrukturellen Deskriptoren und Spannungsantwort auf Mikrostrukturebene zu beschreiben. Diese ortsaufgelösten Spannungen werden im Hinblick auf Indikatoren für statische und Ermüdungsfestigkeit analysiert. Der inverse Ansatz identifiziert mikrostrukturelle Deskriptoren zu bekannten Indikatoren durch Optimierung und schafft eine umgekehrte Struktur-Eigenschafts-Verknüpfung. Eine weitere Verknüpfung mit Prozessparametern und -historie kann durch wissensbasierte Bewertung der Mikrostruktur erreicht werden. Dadurch kann der Reduzierung von Festigkeitseigenschaften durch wiederholtes Recycling und schlechte Schrottsortierung entgegengewirkt werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2489: DaMic - Datengetriebenes Legierungs- und Mikrostrukturdesign nachhaltiger metallischer Konstruktionswerkstoffe
• Großgeräte: Arc Melter
• Gerätegruppe: 8420 Spezielle Oefen (Induktions-, Lichtbogenheizung, Vakuumöfen)