Verbesserte Charakterisierung des Versagensverhaltens von Blechwerkstoffen durch den Einsatz von Mustererkennungsmethoden

• Antragstellerinnen / Antragsteller: Professor Dr.-Ing. Andreas Maier; Professorin Dr.-Ing. Marion Merklein
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2017 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 325262702

Ziel des Forschungsvorhabens ist eine objektive Klassifizierung des Versagensverhaltens von Blechen bei Umformprozessen mit Hilfe von Mustererkennungsverfahren. Um eine Erweiterung der FLC mit Versagensstadien zu erreichen, wurden die Videosequenzen der Umformungsprozesse von Experten annotiert und die einzelnen Bilder der Sequenzen folgenden unterschiedlichen Versagensklassen zugeordnet: homogene Verformung, diffuses Einschnüren, lokales Einschnüren und Rissbildung. Basierend auf den Expertenannotationen wurde eine überwachte Mustererkennungsmethode entwickelt, die eine automatische Klassifizierung in die jeweiligen Versagensstadien ermöglicht. Insbesondere wurde für die lokale Einschnürung eine Sensitivität von bis zu 92% erreicht, wobei die Konsistenz der Expertenannotationen und Artefakte in den Dehnungsverteilungen die Qualität der Ergebnisse negativ beeinträchtigen. Um eine Expertenunabhängigkeit und Übertragbarkeit auf neue Werkstoffe zu erreichen, wurde zusätzlich ein unüberwachtes Mustererkennungsverfahren entwickelt, welches als Resultat eine FLC mit unterschiedlichen Versagenswahrscheinlichkeiten liefert und bei gleicher Sicherheitsmarge höhere Umformgrenzwerte im Vergleich zu konventionellen Bewertungsverfahren erreicht. Diese Ergebnisse wurden durch metallographische Untersuchungen validiert. In der neuen Projektphase wird eine Erweiterung der Methodik auf zusätzliche Charakterisierungsversuche angestrebt. Die Herausforderungen sind hierbei nicht nur die Weiterentwicklung des maschinellen Lernansatzes auf potentiell robustere Deep Learning Methoden, sondern auch die umfassende Analyse der Werkstoffmechanismen unter verschiedenen Belastungsbedingungen. Die Übertragbarkeit des Bewertungsverfahrens wird anhand einachsiger Zug-, Kerbzug- und hydraulische Bulgeversuche evaluiert und das Anwendungsspektrum zusätzlich auf den Biegeversuch erweitert. Die durch maschinelles Lernen bestimmten Formgebungsgrenzen werden mit metallographischen Untersuchungen validiert und zusätzlich materialspezifische Verhaltensweisen in den verschiedenen Experimenten identifiziert. In der ersten Phase wurde festgestellt, dass die Diskontinuität in der Dehnungsverteilung, wie beispielsweise lokale Maxima, automatisiert festgestellt werden können, wobei eine objektive Versagensdefinition bisher nicht abschließend bestimmt werden kann. Auf der einen Seite können die metallographischen Ergebnisse nur bedingt auf die Mustererkennung übertragen werden, da die beobachteten Diskontinuitäten im Mikrometerbereich liegen und somit nur teilweise von der Dehnungsmessung erfasst werden. Auf der anderen Seite sind die Diskontinuitäten Lokalisierungen in der Dehnungsverteilung, die möglicherweise nicht mit dem Materialversagen übereinstimmen. Zur Quantifizierung der Werkstoffeigenschaften wird eine stochastische Auswertung anhand von mehr als 100 Zugversuchen durchgeführt, um festzustellen, welche Eigenschaften und Muster während der Materialalterung erkannt werden können.

• DFG-Verfahren: Sachbeihilfen