Fraunhofer-Institut für Werkstoffmechanik IWM
Fraunhofer-Institut für Werkstoffmechanik IWM

Maschinelles Lernen für Fertigungsprozesse

Maschinelles Lernen und der Einsatz intelligenter Systeme verändern in vielen Anwendungsbereichen maßgeblich die Sicht auf bestehende Fragestellungen, so auch in Fertigungstechnik. Als Experten auf dem Gebiet der Materialcharakterisierung, -modellierung und Simulation von Fertigungsprozessen untersuchen wir den Einsatz von maschinellem Lernen bei der Lösung herkömmlicher und zukünftiger Fragestellungen im industriellen Kontext. Der größte Vorteil maschineller Lernverfahren gegenüber numerischen Simulationen besteht dabei in deren Fähigkeit Vorhersagen in Echtzeit zu liefern. Dies nutzen wir aus um bestehende Optimierungsfragestellungen, wie beispielsweise die Kalibrierung von Materialmodellen, zeiteffizient zu lösen oder komplexere Problemstellungen, wie das Design von Materialien und Prozessen, überhaupt lösen zu können. Weiterhin können so auch simulationsbasierte echtzeitfähige digitale Repräsentationen von Prozessen und Bauteilen mit komplexem Werkstoffverhalten erzeugt werden. Für die Entwicklung der maschinellen Lernmodelle greifen wir auf experimentelle Daten, sowie auf numerische Simulationsdaten zurück und setzen auf die Integration von Expertenwissen.

Unser Leistungsangebot

© Fraunhofer IWM
Zeiteffiziente Identifikation von Materialmodellparametern mittels maschinellem Lernen.
  • Entwicklung von maschinellen Lernmodellen zur schnellen Anpassung von Materialmodellen. Die Identifikation von Parametern komplexer Materialmodelle ist sehr aufwändig und kann von einigen Stunden bis zu mehreren Tagen dauern. Durch ein trainiertes maschinelles Lernmodell kann dieser Prozess stark beschleunigt werden, entweder indem das Verhalten des Materialmodells erlernt wird und die Materialmodellparameter in einer Optimierung identifiziert werden oder indem der inverse Zusammenhang zwischen Materialmodellantwort und Materialmodellparameter direkt erlernt wird.
  • Entwicklung von Prozess-Ersatzmodellen, sogenannten Surrogatmodellen, unter Berücksichtigung des typischerweise komplexen Werkstoffverhaltens. Durch maschinelles Lernen wird das Verhalten einer Bauteil- oder Prozesssimulation erlernt, womit man einen echtzeitfähigen digitalen Zwilling des Prozesses oder des Bauteils erhält. Auf Basis dessen können Variationen von Prozess- und Materialparametern effizient durchgespielt und deren Auswirkung auf das Prozessergebnis analysiert und optimiert werden.
  • Durchführung eines Proof-of-Concepts um die Anwendbarkeit und den Nutzen von maschinellem Lernen im jeweiligen Kontext zu bewerten

nach oben

Forschungsschwerpunkte

In Bereich maschinellem Lernen forschen wir an

  • Zeiteffiziente Parameteridentifikation von Materialmodellen
  • Lösen von Materialdesignfragestellungen, unter anderem Mikrostrukturoptimierung von Werkstoffen
  • Surrogatmodellierung von Prozess- und Bauteilsimulationen und basierend darauf das Lösen von Optimierungsfragestellungen
  • Entwicklung von Softsensorik zur Online-Verfügbarkeit von Zustandsinformationen eines Werkstoffs im Prozess

nach oben

Publikationen

 

  • Shoghi, R.; Morand, L.; Helm, D.; Hartmaier, A., Optimizing machine learning yield functions using query-by-committee for support vector classification with a dynamic stopping criterion, Computational Mechanics,  Online First (2024) 20 Seiten Link
  • Wessel, A.; Morand, L.; Helm, D.; Volk, W., Machine learning-based sampling of virtual experiments within the full stress state, International Journal of Mechanical Sciences 275 (2024) Art. 109307, 19 Seiten Link
  • Dornheim, J.; Morand, L.; Janarthanam, H. N.; Helm, D., Neural networks for constitutive modeling: from universal function approximators to advanced modeling and the integration of physics, Archives of Comptational Methods in Engineering Online First (2023) 31 Seiten Link
  • Tarek, I.; Morand, L.; Dornheim, J.; Link, N.; Helm, D., A multi-task learning-based optimization approach for finding diverse sets of microstructures with desired properties, Journal of Intelligent Manufacturing, Online first (2023) 17 Seiten Link
  • Dornheim, J.; Morand, L.; Zeitvogel, S.; Iraki,T.; Link, N.; Helm, D., Deep reinforcement learning methods for structure-guided processing path optimization, Journal of Intelligent Manufacturing 33 (2022) 333-352 Link
  • Kurnatowski, M. von; Schmid, J.; Link, P.; Zache, R.; Morand, L.; Kraft, T.; Schmidt, I.; Schwientek, J.; Stoll, A., Compensating data shortages in manufacturing with monotonicity knowledge, Algorithms 14/12 (2021) Art. 345, 18 Seiten Link
  • Wessel, A.; Morand, L.; Butz, A.; Helm, D.; Volk, W., A new machine learning based method for sampling virtual experiments and its effect on the parameter identification for anisotropic yield models, IOP Conference Series: Materials Science and Engineering Vol. 1157, 40th International Deep-Drawing Research Group Conference IDDRG 2021; Liewald, M.; Karadogan, C. (Eds.); IOP Publishing Ltd, Bristol, UK (2021) Art. 012026, 10 Seiten Link
  • Morand, L.; Helm, D., A mixture of experts approach to handle ambiguities in parameter identification problems in material modeling, Computational Materials Science 167 (2019) 85-91 Link
  • Morand, L.; Helm, D.; Iza-Teran, R.; Garcke, J., A knowledge-based surrogate modeling approach for cup drawing with limited data, IOP Conference Series: Materials Science and Engineering Vol. 651/1; 38th International Deep Drawing Research Group Annual Conference IDDRG 2019; van den Boogaard, T.; Langerak, N. (Eds.); IOP Publishing Ltd., Bristol, UK (2019) 012047 1-8 Link