Ermüdungsanalysen bei additiv gefertigten Bauteilen in der Automobilindustrie

Die Vorhersage des Ermüdungsverhaltens additiv gefertigter Bauteile ist eine Herausforderung. Allerdings ermöglichen additiv gefertigte Bauteile sehr komplexe und innovative Designs, sodass es sich lohnt eine Strategie zur Vorhersage der Dauerfestigkeit zu erarbeiten.
In diesem Webinar zeigen wir Ihnen, wie Sie maschinelles Lernen nutzen, um die Auswirkungen der Ermüdungsleistung zu antizipieren.

Was ist die Herausforderung?

Durch den additiven Herstellungsprozess (AM) werden zum Beispiel lokal kleine Poren eingeschlossen, die Oberfläche weist eine unterschiedliche Rauheit auf und es können oberflächennahe kleine Risse entstehen. Diese lokalen Einflussfaktoren können und sollten bei einer Betrachtung der Bauteilermüdung nicht getrennt werden. Der herkömmliche Umgang mit Ermüdung funktioniert daher bei additiv gefertigten Bauteilen nicht.

Es ist unmöglich, die endlose Kombination von Materialbedingungen und den oben beschriebenen Ermüdungseinflussfaktoren zu testen oder sie zu trennen und ihre Wechselwirkung bzw. isolierte Wirkung zu beschreiben. Ingenieure können es sich nicht leisten, jede additive Fertigungsprozessbedingung zu testen, und selbst wenn sie es könnten, sind einige unmöglich im Maßstab einer Zugprobe zu reproduzieren.

Auch eine mathematische Modellierung kann die Wechselwirkung und den Einfluss dieser Faktoren nicht vollumfänglich beschreiben. Zudem ist eine herkömmliche Werkstoffdatenbank, die den Prozess unberücksichtigt lässt, nutzlos und keine Formel kann SN-Kurven für einen zufälligen Satz von Materialbedingungen vorhersagen. Daher ist es heute sehr mühsam und fehleranfällig, die Ermüdungslebensdauer von 3D-gedruckten (sicherheitskritischen) Bauteilen abzuschätzen.

Was ist die Herausforderung?

Um die Herausforderung der AM-Teileermüdung zu lösen, muss der Fertigungsprozess mit dem Werkstoffzustand und der Bauteilperformance verbunden werden. Hierfür wird ein Werkzeug benötigt, welches die Ermüdungsleistung einem bestimmten AM-Zustand zuordnen kann. Genau dies leistet die hier vorgestellte maschinell lernende Datenbank.

Für die genaue Modellierung der Ermüdungsleistung von AM-Komponenten dient eine maschinell lernende (ML) Datenbank als Grundlage. Das ML-Modell lernt, wie sich einzelnen Parameter auf die Lebensdauer auswirken, um so für alle ermüdungsbeeinflussenden Faktoren die Ermüdungslebensdauer vorherzusagen. Wenn die Tests begrenzt sind, kann das ML-Modell immer noch eine "beste Schätzung" aus den knappen Daten ziehen, wo andere Methoden ungenauer abschneiden werden. Zudem kann es verschiedene Eingaben kombinieren, um den Datensatz anzureichern und ein ML-Modell aus Vorwissen, eigenen Tests, Finite-Elemente-Simulationen (FE), empirischen Regeln aus der Literatur und Erfahrung zu erstellen.

Erfahren Sie, wie:

• das maschinell lernende Materialmodell in die Berechnungsumgebung für Ermüdungssimulation eingebunden ist.
• verschiedene AM-Prozess-induzierte Faktoren, die die Ermüdung beeinflussen, berücksichtigt werden.
• die Anwendung auf sicherheitskritische Strukturbauteile erfolgen kann.

Melden Sie sich an. Wir freuen uns auf Sie!