Entwicklung eines physikinformierten Machine Learning - Frameworks zur Untersuchung und Vorhersage der Erstarrungsrissen beim Hochleistungslaserstrahlschweißen

• Antragsteller: Dr.-Ing. Xiangmeng Meng
• Fachliche Zuordnung: Fügetechnik und Trenntechnik
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 582234565

In diesem Projekt wird ein neuartiges, physikalisch informiertes Machine-Learning-Framework (PIML) zur Vorhersage und Vermeidung von Erstarrungsrissen beim Hochleistungs-Laserstrahlschweißen (LBW) von Stahl- und Aluminiumlegierungen entwickelt. Experimentelle Untersuchungen, multiphysikalische Modellierung und fortgeschrittene ML-Methoden werden interaktiv kombiniert, um sowohl die Vorhersagegenauigkeit als auch die Interpretierbarkeit der Modelle zu verbessern. Erstmals wird eine quantitative, bidirektionale Kausalkette zwischen Schweißparametern, kritischen physikalischen Variablen und Heißrissmerkmalen etabliert. Hierzu werden die 3D transiente Keyholedynamik, die Wärmeübertragung und die Flüssigmetallströmung mithilfe eines CFD-Modells simuliert, wobei der Schwerpunkt auf der Abbildung komplexer Schmelzbadgeometrien und der Auflösung der thermischen und mikrostrukturellen Bedingungen (Anisotropie und Elementseigerung) an der Erstarrungsfront liegt. Die berechnete Schmelzbadgrenze wird anschließend als äquivalente Wärmequelle in einer thermomechanischen Simulation implementiert, welche Verfestigungseffekte, Phasenumwandlungen im festen Zustand, Erstarrungsschrumpfung sowie anisotrope konstitutive Beziehungen in der Mushy-Zone berücksichtigt, um die zeitliche Entwicklung von Spannungen und Dehnungen zu bestimmen. Umfangreiche LBW-Experimente werden an Alu- und Stahllegierungen mit unterschiedlicher Rissempfindlichkeit durchgeführt. Echtzeit-Diagnostik sowie Röntgenaufnahmen nach dem Schweißen liefern sowohl die erforderlichen Validierungsdaten als auch die Rissmerkmale für das ML-Training. Die Schweißparameter, Simulationsergebnisse und gemessenen Rissmerkmale dienen als Trainings-, Validierungs- und Testdaten für das PIML-Frameworks. Ein ML-Modell mit multimodaler Architektur wird zunächst entwickelt, um unterschiedliche Datentypen der physikalischen Variablen (skalare, sequenzielle und 3D-Daten) zu verarbeiten. Ein Vorhersagemodell mit klarer physikalischer Interpretierbarkeit wird erstellt, um physikalische Variablen mit Rissmerkmalen zu korrelieren. Die Hierarchie der verschiedenen physikalischen Variablen wird dabei erstmals entkoppelt und analysiert. Anschließend werden konditionale generative Modelle (conditional generative models) entwickelt, die auf Basis von Schweißparametern und Materialeigenschaften eine schnelle Abschätzung der relevanten thermischen und mechanischen Variablen in realistischen Zeiträumen ermöglichen. Durch die Integration vom Vorhersagemodell und generativen Modell entsteht ein PIML-Framework, das eine unidirektionale Kausalkette von Schweißparametern → kausale physikalische Variablen → Erstarrungsrissbildung abbildet. Zusätzlich wird ein multiobjektives Optimierungsverfahren integriert, welches eine automatische Auswahl der optimalen Schweißparameter ermöglicht, indem die Differenz zwischen berechneter und gewünschter Schweißgeometrie sowie einem zulässigen Rissniveau iterativ minimiert wird.

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