Während meines Aufenthalts konnte ich wertvolle Erfahrungen sammeln und meinen fachlichen Horizont erheblich erweitern. Die Zusammenarbeit mit dem international besetzten Team von Prof. Inal war nicht nur wissenschaftlich bereichernd, sondern hat auch zu Freundschaften geführt. Die Vielseitigkeit Kanadas hat mich tief beeindruckt, und ich plane, das Land in der Zukunft erneut zu besuchen.
Mit großer Freude kann ich Ihnen mitteilen, dass ich meine Masterarbeit erfolgreich abgeschlossen habe und seit dem 01.08. am Institut für Umformtechnik und Leichtbau (IUL) tätig bin.
Zu den Inhalten seiner Arbeit berichtet Herr Kratzel der Stiftung:
Im Rahmen meiner Masterarbeit im Studienfach Maschinenbau an der TU Dortmund habe ich ein datengetriebenes Modell zur Vorhersage der umforminduzierten Schädigung entwickelt. Der zugrundeliegende Mechanismus der Schädigung basiert auf der Entstehung von kleinsten Poren auf der Mikrostrukturebene des Materials, die während der Umformung wachsen und zu einer Rissbildung führen können. Das Modell wurde auf Grundlage experimenteller Daten entwickelt und berücksichtigt das Materialverhalten unter industrierelevanten Lastpfaden.
Für die Entwicklung des Modells habe ich im Versuchsfeld des Instituts für Umformtechnik und Leichtbau (IUL) in Deutschland experimentelle Daten gesammelt. Dazu habe ich große Zugproben aus Blechwerkstoff vorgedehnt und anschließend kleinere Proben mit verschiedenen Geometrien und Ausrichtungen in Bezug auf die Vordehnungsrichtung herausgeschnitten. Zur präzisen Erfassung des lokalen Materialverhaltens wurde die Methode der digitalen Bildkorrelation (Digital Image Correlation, DIC) eingesetzt, bei welcher hochauflösende Bilder der Probe während der Umformung aufgenommen werden. Diese Daten dienten als Grundlage für die Kalibrierung eines konstitutiven Materialmodells.
Das konstitutive Materialmodell beschreibt das Materialverhalten in Bezug auf Elastizität, Plastizität sowie thermische und schädigungsbedingte Effekte und wird unter anderem für Simulationen von Umformprozessen basierend auf der Finite-Element Methode (FEM) verwendet. In meiner Arbeit wurde ein hybrider Ansatz verfolgt, bei dem dieses Materialmodell zur Generierung von Trainingsdaten für mein datengetriebenes Modell genutzt wurde.
FEM-Simulationen sind oft sehr rechenintensiv. Hier setzt das datengetriebene Modell an, das eine schnelle Bewertung zahlreicher Lastkombinationen ermöglicht. Dies unterstützt die frühzeitige Einschätzung der umforminduzierten Schädigung und verbessert die Auslegung von Bauteilen und Umformprozessen.
Die Implementierung des datengetriebenen Modells, das auf gekoppelten neuronalen Netzen basiert, erfolgte an der University of Waterloo unter der fachlichen Leitung von Prof. Inal. Hierfür habe ich ein Framework entwickelt, das auf dem beschriebenen kalibrierten konstitutiven Materialmodell basiert. Dieses Framework erzeugte durch Simulationen tausende randomisierte Trainingsdaten, die für das Modelltraining aufbereitet wurden. Während des Prozesses erhielt ich Unterstützung vom Team von Prof. Inal und Zugang zu einem Hochleistungsserver, um das Training effizienter durchzuführen. So wurde die Implementierung, das Training und die Validierung des Modells ebenso wie die automatisierte Trainingsdatenerzeugung sowie deren Aufbereitung in Kanada durchgeführt.
