Die zerstörungsfreie Materialprüfung, beispielsweise mittels Computertomografie, ermöglicht eine detaillierte und nicht-invasive Untersuchung von Materialien und Bauteilen. Dadurch können innere Strukturen, Fehler und Defekte erkannt werden, ohne das Prüfobjekt zu beschädigen, was besonders in Branchen, in denen höchste Qualitäts- und Sicherheitsstandards gelten, wie etwa in der Luft- und Raumfahrt oder der Medizintechnik, wichtig ist.
Herausforderung
Faserverbundbauteile können Materialunreinheiten oder Bearbeitungsfehler aufweisen, die ihre Integrität und Festigkeit beeinträchtigen. Die gängige zerstörungsfreie Methode zur Erkennung solcher Defekte besteht darin, eine Computertomographie-Aufnahme durchzuführen und die Ergebnisse in eine numerische Simulationssoftware einzuspeisen, welche die Materialfestigkeit in Bezug auf verschiedene Belastungen bestimmt. Diese Simulationen sind jedoch zeit- und rechenaufwendig. Daher ist es wünschenswert, die Simulationen zu vermeiden und Materialeigenschaften direkt aus dem gescannten Bild zu berechnen.
Herangehensweise
Um die Festigkeit und Integrität der Faserverbundwerkstoffe direkt aus 3D-Tomographieaufnahmen vorherzusagen, wurde ein Machine-Learning-Modell auf einer repräsentativen Sammlung von Bauteilen mit typischen Defekten trainiert.
Für diese Bauteile wurden zuvor die Festigkeitswerte mithilfe der gewohnten numerischen Simulationen berechnet, sodass das Modell anhand dieser Zielwerte den Zusammenhang zwischen den 3D-Bilddaten und der Materialfestigkeit erlernen kann.
Ergebnisse
Das Machine-Learning-Modell liefert präzise Vorhersagen der Materialfestigkeit unter verschiedene Belastungen, basierend auf dem 3D-Bild des Computertomographen. Die aufwendigen numerischen Simulationen können daher durch die Modellvorhersagen ersetzt werden. Die Berechnung der Auswirkungen von Materialfehlern auf Integrität und Festigkeit wird somit schneller und kostengünstiger, ohne Einbußen bei der Genauigkeit.
