SKZ und Gfai forschen gemeinsam

Ziel des auf zwei Jahre ausgelegten Projekts, das im Juli 2024 begann, ist die Entwicklung geeigneter Strategien, um mit Hilfe von KI lückenhafte Kriechdaten in Materialdatenbanken ohne zusätzliche experimentelle Langzeitversuche zu ergänzen.

Dazu bündeln die beiden Forschungsstellen Kunststoff-Zentrum SKZ in Würzburg und die Gesellschaft zur Förderung angewandter Informatik (Gfai) in Berlin ihre Kompetenzen bezüglich der Ermittlung und Charakterisierung von Materialeigenschaften und des Maschinellen Lernens als Teilgebiet der KI.

Begleitet wird das Projekt durch Vertreter aus aktuell 28 Unternehmen.

Materialdatenbanken wie Campus bieten nur vereinzelt Kriechdaten und oft decken diese nicht den gewünschten Temperaturbereich oder Zeitbereich ab. Diese Lücken durch entsprechende Langzeitprüfungen schließen zu wollen, ist dem SKZ zufolge aufgrund des hohen Zeit- und Kostenfaktors illusorisch.

Die mechanischen Langzeiteigenschaften hängen zudem von einer Vielzahl von Einflussfaktoren ab, beispielsweise der Belastungshöhe und -dauer, Temperatur und Feuchte. Personen, die Kunststoffteile auslegen oder einsetzen, stehen somit vor dem Problem, dass eine unzureichende Berücksichtigung von Kriecheffekten zu einem vorzeitigen Versagen von Kunststoffbauteilen führen kann.

Im Forschungsvorhaben sollen deshalb durch die Einbindung von KI bestehende Daten analysiert und Muster erkannt werden, um fehlende Werte präzise ohne zusätzlichen experimentellen Aufwand zu ergänzen. Die trainierten Machine-Learning-Modelle sollen Vorhersagen für das Kriechverhalten unter neuen, in der Materialdatenbank nicht repräsentierten, Randbedingungen treffen.

Im Idealfall soll das Prognosemodell nach dem Training gänzlich ohne Langzeitdaten aus Kriechversuchen auskommen und als Eingangsdaten nur leicht zu ermittelnde Kurzzeitkennwerte benötigen.

KI wird in der Kunststoffindustrie bisher hauptsächlich im Bereich der Analyse von Prozessdaten eingesetzt, wo üblicherweise große Datenmengen anfallen, weshalb man von Big Data spricht.

Für die Analyse von Werkstoffdaten liegen hingegen vergleichsweise kleine Datenmengen – Small Data – vor; mit den angesprochenen Lücken für bestimmte Kennwerte wie Kriechkurven. Im Rahmen des Forschungsprojekts besteht deshalb eine wesentliche Herausforderung darin, Ansätze für die Verarbeitung von Small Data zu entwickeln.

Hierzu zählt die Erweiterung der Datenbasis (synthetische Messdaten, Data Augmentation und Data Imputation), um eine ausreichende Basis für das KI-Training zu schaffen. Zudem die Auswahl und Anpassung geeigneter Machine-Learning-Modelle, die speziell auf die Charakterisierung von Materialeigenschaften zugeschnitten sind.

Durch die Fähigkeit der KI, komplexe Muster zu erkennen, sollen bereits vorhandene Materialdaten vervollständigt und auf andere Kunststofftypen übertragen werden. „Mit dem Forschungsprojekt wollen wir das enorme Potenzial von KI für die Kunststoffindustrie erschließen und zugleich den experimentellen Aufwand bei der Generierung von Kriechdaten erheblich reduzieren“, so Dr.-Ing. Kurt Engelsing, Expert Engineer am SKZ.

Quelle: SKZ