AI4QualiFly

Mikrostrukturelle Wechselwirkungen und mechanische Eigenschaften von PBF-LB/M gefertigtem Ti-6Al-4V Bauteilen

KI-gestützte prozessschrittübergreifende Bauteilqualifizierung in der Luftfahrt über Gefügeaufnahmen

Die additive Fertigung von Titanbauteilen erfreut sich in der Luftfahrt für CO2-neutrale und ökologische Anforderungen zunehmender Beliebtheit. Dieser Prozess erfordert heißisostatisches Pressen, um Defekte zu verschließen und die Bauteilqualität sicherzustellen. Für dynamisch beanspruchte Anwendungen sind hohe isostatische Gasdrücke und -temperaturen erforderlich. Unzureichende Materialqualität kann zu hohen Kosten und Energieaufwand im Herstellungsprozess führen. Die Vorhersage von Bauteil- und Materialeigenschaften aus Prozess- und Messdaten vor oder während der Fertigung kann die Qualität der Fertigung deutlich erhöhen. Die Herausforderung besteht darin, eine dünn besiedelte Datenbank zu nutzen und neue Methoden zu entwickeln, um damit umzugehen.

Durch die hohe physikalische Komplexität des Fertigungsverfahrens bleiben praktisch nur datengetriebene Methoden, also statistische Methoden und Maschinelles Lernen. Für die Parametrisierung, das Training und die Validierung von maschinellen Lernmodellen sind erstens umfangreiche Untersuchungen erforderlich, um Mess- und Prozesseigenschaften mit Materialeigenschaften zu korrelieren, insbesondere in mehrstufigen Produktionsprozessen (Laseradditives Verfahren und thermische Nachbehandlung). Dieses Vorhaben soll den Einsatz von Methoden und Modellen des Maschinen Lernens für additive Fertigungsprozesse evaluieren und vorantreiben. Zweitens ist für die erfolgreiche und genaue Prädiktion eine umfangreich und parametervariante Datenbasis, die nur teilweise durch experimentelle Daten gedeckt werden kann und daher synthetisch erweitert oder gänzlich mit generativen Modellen erstellt werden soll. Es sollen dafür sowohl rein datengetriebene als auch modellassistierte Verfahren eingesetzt werden.

Intelligente Prozesssteuerungen und Qualitätssicherung eröffnen der additiven Fertigung neue Möglichkeiten, die Kosten und Emissionen deutlich senken können.

Dieses Verfahren reduziert den Bedarf an Rohstoffen, ermöglicht die Wiederverwendung und macht Komponenten leichter, was zu erheblichen Kostensenkungen führt. Dies ist ein bedeutender Schritt auf dem Weg zur Transformation der Luftfahrt zum emissionsfreien Fliegen. Darüber hinaus ist das Verständnis der Zusammenhänge über Prozessschritte hinweg entscheidend für die Erreichung einer optimalen Produktqualität und –sicherheit, insbesondere mit Bezug

zu ML und der Nutzung von datengetriebenen Vorhersagemodellen. Eine frühzeitige Erkennung betroffener Prozesse, unterstützt durch datengetriebene Vorhersage- und Empfehlungsmodelle, kann die Produktsicherheit verbessern und zur Akzeptanz der additiven Fertigung in der Luftfahrt beitragen.

Ebenso gilt diese auch für die verwendeten datengetriebenen ML Modelle aufgrund des Blackbox Charakters. Diese Vorhaben soll die Akzeptanz des Einsatzes von ML Methoden in additiven Fertigungsprozessen der Luftfahrtindustrie erhöhen und mit nachvollziehbaren und physikalisch erklärbaren Modellen ermöglichen.