Vorhersage von Materialeigenschaften mithilfe Methoden des maschinellen Lernens aus Nanoindentierungsdaten

Aufgrund der aktuellen Entwicklung von verschiedensten Modellen des maschinellen Lernens, als auch durch die Möglichkeit der additiven Fertigung, kommt es zu einer immer schnelleren und effizienteren Erforschung und Synthese neuer Werkstoffsysteme. Ob diese Systeme allerdings auch Anwendung finden, liegt oft auch an geeigneten mechanischen Eigenschaften, die ebenfalls in kürzester Zeit ermittelt werden sollen. Dazu zählen unter anderem die Spannungs-Dehnungskurve, sowie die Bruchzähigkeit und die Ermüdungslebensdauer. Leider ist deren Bestimmung – vor allem im Bezug auf die Ermüdungseigenschaften – extrem zeitaufwendig. Dahingegen bietet die Nanoindentierung den Vorteil innerhalb kürzester Zeit gleich mehrere Materialeigenschaften zu bestimmen. Dazu zählen zum einen sowohl Härte und Elastizitätsmodul, als auch beispielsweise die Dehnratenabhängigkeit, die Verschleißbeständigkeit oder aber die Kriecheigenschaften eines Materials. Allerdings reichen diese Eigenschaften für die sichere Entwicklung von Hochleistungskomponenten leider nicht vollständig aus.

Ziel dieses Projekts ist es also, aus den Ergebnissen der Nanoindentierung mithilfe unterschiedlicher Modelle des Maschinellen Lernens (ML) die notwendigen mechanischen Materialeigenschaften vorherzusagen. Dazu werden beispielsweise verschiedene Regressionsmodelle, Support Vector Machines (SVM) und auch künstliche (Artificial) neuronale Netzwerke (ANNs) zum Einsatz kommen. Im Verlauf des Projekts werden eine große Anzahl unterschiedlicher Metallsysteme sowohl mithilfe der Nanoindentierung, als auch mit mechanischen Prüfverfahren charakterisiert und anhand der generierten Ergebnisse eine möglichst große Datenbank aufgebaut. Diese soll dann als Input für das ML-Model dienen, damit eine hohe Präzision in der Vorhersage der essenziellen mechanischen Kenngrößen erreicht werden kann.