Datengetriebene Methoden
KI in der Werkstofftechnik
Das Kompetenzfeld
Wenn klassische Simulationsmethoden an ihre Grenzen stoßen – etwa durch hohen Rechenaufwand oder unbekannte Ursache-Wirkungs-Beziehungen – bieten datengetriebene Ansätze eine leistungsfähige Alternative. In diesem Kompetenzfeld werden Verfahren des maschinellen Lernens und der Statistik genutzt, um aus großen, heterogenen Datenbeständen verwertbares Wissen zu gewinnen.
Einen Forschungsschwerpunkt stellen dabei sogenannten Surrogatmodelle dar, die komplexe physikalische Simulationen durch datenbasierte Näherungen erheblich beschleunigen. Moderne Lernverfahren ermöglichen zudem die Erkennung hochdimensionaler Muster, etwa zur Vorhersage von Materialverhalten, zur Bewertung von Materialzusammensetzungen und -strukturen oder zur Prozessoptimierung. Weitere Forschungsfelder sind die datenbasierte Qualitätssicherung in der Fertigung – etwa durch lernbasierte Anomaliedetektion – sowie die aktive Prozesssteuerung mithilfe Künstlicher Intelligenz. Ergänzend wird die Generierung synthetischer Daten durch generative Modelle erforscht, um datenhungrige Verfahren auch bei begrenzter Datenverfügbarkeit einsetzen zu können, domänenspezifisches Wissen explizit in die Datenmodellierung zu integrieren oder gezielte Variationsexperimente virtuell durchzuführen.
Aktuelle Forschungsthemen
- Workflows für die Datensynthese von Verbundwerkstoffen und deren Herstellungsprozessen
- Machine Vision auf Basis von Polarisationsbildgebung zur Fasererkennung
- KI-basierte Qualitätssicherung für die thermoplastische Profilherstellung
Branchen & Anwendungen
Spezielle Leistungsmerkmale
- Mustererkennung in der Materialforschung
- Maschinelles Sehen in der Qualitätssicherung von FKV
- Surrogate Models für die Simulation von FKV-Prozessen
Werkstoffe und Fragestellungen
Typische Werkstoffe
- Flüssig- und Feststoffharze, Acrylharz, reaktives PA6
- Glas-/kohlenstofffaserbasierte Rovings und Textilien, neu und recycelt
- Duroplastische und thermoplastische Bindermaterialien
Typische Fragen
- Wie lassen sich komplexe, hochdimensionale Zusammenhänge zwischen Prozessparametern und Produkteigenschaften zuverlässig durch Surrogatmodelle abbilden und zur Optimierung nutzen?
- Welche Methoden des Maschinellen Lernens eignen sich zur robusten Vorhersage von Qualität und Fehlerwahrscheinlichkeit unter realen Prozessbedingungen mit verrauschten oder unvollständigen Daten?
- Wie kann durch Datensynthese (z. B. mit generativen Modellen) die Verfügbarkeit aussagekräftiger Trainingsdaten verbessert werden, insbesondere in Szenarien mit knappen, sensiblen oder schwer erfassbaren Realmessdaten?
- Wie können datengetriebene Modelle mit domänenspezifischem Wissen (z. B. physikalische Nebenbedingungen) kombiniert werden, um sowohl Generalisierbarkeit als auch Interpretierbarkeit zu verbessern?
Patrick Flore
