Systematisierung der Lastfalldefinition bei Komponentenversuchen

Komponentenversuche sind aufwendig und teuer. Daher ist es notwendig, diese so durchzuführen, dass maximaler Nutzen aus den gewonnenen Daten gezogen werden kann.

Komponententests: kaputt machen – aber mit Köpfchen!

Im aktuell laufenden AIMM-Projekt (Artificial Intelligence for Material Models) werden neuartige, auf Machine Learning (ML) basierende Materialmodelle entwickelt. Diese liefern für jeden Dehnungsinput den zugehörigen Spannungsoutput. Für die Validierung solcher Modelle kommen Bauteilversuche zum Einsatz. Mit deren Hilfe soll das Modell im Idealfall bei allen theoretisch möglichen Dehnungszuständen validiert werden. Daher müssen bei einem geeigneten Versuch möglichst viele dieser Zustände während der Belastung im Bauteil auftreten. 

Entwicklung eines Tools zur Bewertung von Versuchen

Am Fraunhofer EMI wurde ein Python-Tool entwickelt, mit dem mehrere Bauteilversuche hinsichtlich dieser Anforderung an die Dehnungszustände bewertet werden können, sodass nur der geeignetste auch durchgeführt wird. Hierfür werden die Versuchsvarianten zunächst simuliert und anschließend aus den Daten mehrere Kennzahlen berechnet, wie beispielsweise die relative Abdeckung des Dehnungsraums. Dabei handelt es sich um das Verhältnis der mit Datenpunkten abgedeckten Fläche zur Gesamtfläche des Dehnungsraums. Je höher diese Zahl ausfällt, desto besser ist der entsprechende Versuch geeignet.

Ein weiteres Einsatzgebiet dieses Tools ist die Optimierung der Geometrie von Probekörpern zur Generierung experimenteller Trainingsdaten für ML-Materialmodelle. Ähnlich wie bei den Bauteilversuchen sollen auch die Trainingsdaten möglichst viele verschiedene Dehnungszustände enthalten.