Digitalisierung der Herstellungskette von C/C-SiC durch den Einsatz künstlicher Intelligenz

Kurzfassung

Die vorliegende Arbeit untersucht die Auswirkungen von Herstellungsparametern auf die Mikrostruktur des Werkstoffs C/C-SiC. Dabei wurde erstmalig eine Auswertung basierend auf künstlicher Intelligenz (KI) anhand eines vergleichsweise großen Datensatzes von 163 C/C-SiC Proben getätigt. Insgesamt konnten auf diese Weise sieben Herstellungsparameter identifiziert werden, die signifikant mit bestimmten Mikrostrukturmerkmalen korrelieren. Um die Untersuchung durch künstliche Intelligenz zu ermöglichen, wurde ein digitaler Zwilling der Prozesskette erstellt, welcher die Möglichkeit bietet, Daten automatisch zu erfassen, zu verarbeiten und auszuwerten. Alle notwendigen Programme und Funktionen entstanden dabei durch eigenständige Entwicklung unter Anwendung verschiedener Programmiersprachen und sind auch auf andere Datensätze anwendbar. In diesem Zuge wurden verschiedene KI-Algorithmen und Preprocessing-Methoden miteinander verglichen und ihre Auswirkung auf die Ergebnisgenauigkeit diskutiert. Unter den Algorithmen erwies sich RandomForest als am geeignetsten, wobei ein maximales Bestimmtheitsmaß von R^2= 0,67 erreicht wurde. Als wichtigste Herstellungsparameter für die Prognose erwiesen sich dabei die Dichte, Massenänderung und Porosität im silizierten Probenzustand. Unter Ausklammerung der Silizierung wurde ein Bestimmtheitsmaß von R^2=0,51 erreicht, wobei hier die Porositäten nach den Prozessschritten Polymerisation, Temperung und Pyrolyse, sowie das verwendete Fasermaterial als wichtigste Parameter identifiziert wurden. Die gefundenen Korrelationen der Machine-Learning Modelle konnten zudem durch die Ergebnisse aus Mikrostruktursimulationen unterstützt werden, welche auf der FEM (Finite Elemente Methode) basierten. Während bisherige Modelle dabei nur sehr kleine Mikrostrukturbereiche behandelten, konnten in dieser Arbeit erstmalig relevante Größenordnungen für die Rissbildung während der Pyrolyse unter Einbeziehung mehrerer Lagen eines Laminataufbaus untersucht werden. So konnten die bereits durch die KI-Modelle gefundenen Korrelationen zwischen Porosität, verwendetem Fasermaterial und Mikrostruktureigenschaften durch die Simulationen erneut bestätigt werden. Die Quantifizierung der simulierten Mikrostrukturen erfolgte dabei durch Bildauswertung über eigens entwickelte Python-Skripte. Zusammenfassend lässt sich feststellen, dass durch die entwickelten Methoden eine Untersuchung der Auswirkungen von Herstellungsparametern auf die Mikrostruktur von C/C-SiC Proben im großen Maßstab ermöglicht wurde, wodurch zukünftig eine Optimierung der Herstellungsprozesse erfolgen kann.