Maschinelles Lernen (ML) eröffnet vielversprechende Perspektiven für die Weiterentwicklung der Metallverarbeitung, wie beispielsweise im Bereich der Additiven Fertigung (AM) von Metallen. Die metallische AM ermöglicht die Herstellung von Bauteilen mit gezielt eingestellten Gefügen und damit maßgeschneiderten Eigenschaften. Durch die Abbildung komplexer Korrelationen innerhalb von Prozessdaten erlaubt ML eine effiziente Optimierung von Prozessparametern, eine verbesserte Defektvorhersage sowie eine beschleunigte Defekterkennung in Echtzeit.

In enger Zusammenarbeit mit der IFW-Arbeitsgruppe Maschinelles Lernen für die Materialwissenschaft (Dr. Dmitry Chernyavsky, Dr. Denys Kononenko; Institut für Theoretische Festkörperphysik) konzentrieren wir uns insbesondere auf den Einsatz von ML im Kontext des Pulverbett-basierten Laserstrahlschmelzens (LPBF), einer der am weitesten verbreiteten und industriell relevantesten AM Technologien. Dieser Prozess ist von Natur aus komplex, da er das Zusammenspiel von Laserparametern, Pulvereigenschaften, Schmelzbaddynamik und Erstarrungsverhalten umfasst. All diese Wechselwirkungen beeinflussen entscheidend die Gefügeenstehung, insbesondere im Hinblick auf die Bildung von Defekten wie Poren und Rissen.

Ziel unserer Forschung ist es, ML sowohl zur Identifikation optimaler LPBF-Prozessparameter für die Erzeugung dichter Materialien als auch zur Entwicklung fortschrittlicher Echtzeit-Überwachungsmethoden einzusetzen, die potenziell in geschlossene Regelkreissysteme integriert werden können. Dabei fokussieren wir uns auf zwei zentrale Aspekte:

(1) Bayes‘sche Optimierung (BO) für die Modellierung von Prozess–Struktur–Eigenschafts-Beziehungen: Einsatz von BO zur effizienten Vorhersage optimaler LPBF-Parameter für die erfolgreiche Herstellung hochdichter Bauteile aus industriell relevanten, jedoch schwer verarbeitbaren Legierungen. BO ist darauf ausgelegt, trotz begrenzter Datenbasis und in multiobjektiven Szenarien präzise optimale Bedingungen vorherzusagen und damit digitales Materialdesign zu ermöglichen.

(2) ML-gestützte Echtzeitüberwachung und Defekterkennung: Entwicklung von Algorithmen zur Analyse von Sensordaten in Echtzeit, um Defekte wie Risse oder Poren während der LPBF-Fertigung zu identifizieren. Im Fokus stehen ML-Modelle, etwa Autoencoder, zur Entwicklung automatisierter Defektüberwachungssysteme auf Basis akustischer Emissionen.