Motivation
Moderne, künstlich hergestellte Materialien, wie Faserverbundwerkstoffe, werden zunehmend in vielen Bereichen der Wirtschaft eingesetzt, beispielsweise in Windkraftanlagen. Um solche Materialien zu verbessern, werden in der Materialentwicklung inzwischen Geometriemodelle genutzt, um Eigenschaften und Kennwerte eines Materials bereits vor der Produktion vorherzusagen. Die präzise Nachbildung der Materialstruktur ist dabei essenziell. Es gibt zwei Methoden, um solche Modelle zu erzeugen: Einerseits werden dazu 3D-bildgebende Verfahren verwendet, die jedoch aufgrund begrenzter Auflösung und Bildartefakte zu teilweise fehlerhaften Geometriemodellen führen. Nützlicher sind oft computergestützt erzeugte Geometriemodelle, die eine hohe Anzahl von Generierungsparametern benötigen, um reale Strukturvariationen abzubilden.
Ziele und Vorgehen
Ziel dieses Projekts ist es, einen KI-basierten Workflow am Beispiel der Faserkunststoffverbunde zu entwickeln, um beide zuvor genannten Methoden zu verbinden, und damit präzisere Geometriemodelle aus Computertomographie-Daten zu ermöglichen. Dafür soll eine Künstliche Intelligenz trainiert werden, die in Messdaten eine Objekterkennung, beispielsweise von Fasern, durchführt und anschließend ein mit Informationen angereichertes Geometriemodell aus den Messdaten generiert.
Innovationen und Perspektiven
Der KI-basierte Workflow ermöglicht es, die Materialanalyse und -entwicklung wesentlich effizienter zu gestalten. Der Anwendungsfall der strukturell komplexen Faserkunststoffverbunde verspricht eine breite Übertragbarkeit auf andere Werkstoffklassen, wie beispielsweise Filtrationsmedien, Batterien und Gesteinsphysik. Das Potenzial der digitalisierten Materialentwicklung auszuschöpfen, ist der Schlüssel zum Erhalt und Ausbau der Wettbewerbsfähigkeit in einem Industriesektor, der einen Kompetenzschwerpunkt der deutschen Wirtschaft darstellt.