Motivation
Die additive Fertigung (bekannt als 3D-Druck) ist sehr ressourceneffizient und ermöglicht Industrie und Handwerk viel Gestaltungsfreiheit. Sie wird daher immer bedeutender, z.B. für Leichtbauanwendungen in der Luft- und Raumfahrt oder individualisierte Medizintechnikprodukte. Im Vergleich zu konventionellen Fertigungsverfahren sind viele Werkstoffe in der additiven Fertigung jedoch nicht verwendbar. Das Problem ist, dass es sehr viel Zeit und Geld kostet, neue Werkstoffe für die additive Fertigung zu entwickeln und zu qualifizieren. Damit fehlen für viele Produkte die passenden Werkstoffe.
Ziele und Vorgehen
Ziel des Projekts „DigitAl“ ist es daher, die Werkstoffentwicklung mit Hilfe von datengestützten Simulationen und Künstlicher Intelligenz (KI) zu digitalisieren und so deutlich effizienter und kostengünstiger zu machen. Die KI soll dabei am Beispiel von Aluminiumwerkstoffen vorhersagen, wie sich neue Legierungen im additiven Fertigungsprozess verhalten und deren Alterungseffekte bewerten. Damit die KI gute Vorhersagen trifft, benötigt sie ausreichend Trainingsdaten. Für diesen Zweck werden wichtige Prozesse in der additiven Fertigung simuliert, denn dies ermöglicht es, synthetische Daten effizient und ökonomisch zu erzeugen. Um die Simulation zu prüfen und weitere Trainingsdaten zu erzeugen, werden bestehende empirische Prozessdaten verwendet sowie Testlegierungen hergestellt. Die Testlegierungen werden daraufhin analysiert, inwiefern sie für die additive Fertigung geeignet sind. Die Zusammenhänge zwischen Eignung und ursprünglichen Materialeigenschaften werden verwendet, um vorherzusagen, wie sich neue Legierungen in der additiven Fertigung verhalten. Schließlich soll untersucht werden, wie die Legierungen altern, um deren Recyclingfähigkeit zu bewerten – wenn sie zu schnell altern, werden sie ungeeignet. Auch diese Erkenntnisse werden in die KI zurückgespielt.
Innovationen und Perspektiven
Das Projekt „DigitAl“ soll den Aufwand, neue Materialien für die additive Fertigung zu entwickeln, deutlich reduzieren und damit wirtschaftlicher gestalten. Die entwickelten Simulationen und KI-Ansätze können zudem auf weitere Werkstoffklassen und Fertigungsmethoden angewandt werden. Die Erkenntnisse sollen wissenschaftlich publiziert und die Trainingsdaten veröffentlicht und damit einem breiten Fachpublikum zugänglich gemacht werden.