Verbundprojekt: Maschinelles Lernen zur Unterstützung der Prozesskontrolle von Additiven Fertigungsverfahren, Teilvorhaben: Künstliche-Intelligenz-basierte Legierung und Metallmatrix-Verbundwerkstoffe

Die additive Fertigung (AM) ermöglicht die schichtweise Fertigung komplizierter und endkonturnaher Bauteile mit einzigartigem Gefüge. Um das gesamte industrielle Potenzial von AM auszuschöpfen bedarf es allerdings einer herausfordernden Prozesskontrolle. Andernfalls können sich Defekte wie Poren oder Risse im Bauteil bilden, die es für den späteren Einsatz unbrauchbar machen. Die Identifizierung optimaler Prozessbedingungen ist somit entscheidend, aber auch sehr zeit- und kostenintensiv, da bisher v.a. die "Trial-and-Error-Methode" angewendet wird. Ein datengetriebener Ansatz unter Einsatz von maschinellem Lernen (ML) stellt eine effiziente Alternative für die Ermittlung dieser optimalen Bedingungen dar. Das Ziel dieses binationalen Projekts ist die Entwicklung eines neuartigen ML-basierten Ansatzes für die Prozesssteuerung, wobei der Schwerpunkt auf den AM-Technologien Laserstrahlschmelzen (LPBF) und Robocasting (RC) liegt. Neuartige Algorithmen, die die wichtigsten Eingangsparameter für die Optimierung der LPBF- und RC-Prozesse und deren Auswirkungen auf die Bauteileigenschaften (Dichte) berücksichtigen, werden im Rahmen des Projekts von dem interdisziplinären ukrainisch-deutschen Team durch Bündelung der Kompetenzen und des intensiven Daten- und Wissensaustauschs, gemeinsam entwickelt. Konkret werden ML-Modelle zur Kontrolle von LPBF und RC einer Kl-basierten Legierung (AA7075) und AA7075-TiB2-Metall- und Keramikmatrix-Verbundwerkstoffen erstellt. AA7075 wurde ausgewählt, da diese als industrielle Leichtbaulegierung in der Luft- und Raumfahrt- und Automobilindustrie aufgrund ihrer hohen spezifischen Festigkeit, weit verbreitet ist. Die herausfordernde AM-Verarbeitbarkeit von AA7075 ist ideal, um das Potenzial des ML-basierten Ansatzes zu demonstrieren. Die entwickelten ML-Modelle sollen eine schnelle und effiziente Identifizierung von Prozessparametern erlauben und zur Digitalisierung der AM-Prozesse beitragen, um deren nachhaltiges Potenzial auszuschöpfen.