Exploiting Artificial Intelligence for Predicting Subcritical Failure of Microstructurally Disordered Materials

Third party funded individual grant


Start date : 01.10.2020

End date : 30.09.2023


Project details

Scientific Abstract

Kriechversagen erfolgt, wenn Werkstoffe über lange Zeiten einer Last ausgesetzt sind, welche unterhalb der Zerreißfestigkeit im Zugversuch liegt. Im Lauf der Zeit kann es dann, häufig durch thermisch aktivierte Prozesse wie chemische Reaktionen oder plastisches Kriechen, zur Schädigung der Werkstoffmikrostruktur und schließlich zum Werkstoffversagen kommen. Die Standzeiten bis zum Versagen weisen zwischen gleichartig präparierten Proben oft eine beträchtliche Streuung auf, zudem sind sehr lange Standzeiten experimentell nur schwer zugänglich. Es ist daher potenziell wünschenswert, durch Überwachung von Bauteilen zu bauteilspezifischen Vorhersagen der Restlebensdauer zu gelangen, um einerseits Kosten zu reduzieren, die mit dem vorzeitigen Austausch noch intakter Bauteile verbunden sind, und andererseits Bauteilversagen unter Einsatzbedingungen zu vermeiden. Hierzu kann man beispielsweise den U-Verlauf typischer Kriechkurven einen typischen U-Verlauf zeigen, bei dem die Kriechrate zunächst abfällt (‚Bereich I‘), dann ein breites Minimum mit fast konstanter Kriechrate durchläuft (‚Bereich II‘) um schließlich vor dem Probenversagen stark anzusteigen (‚Bereich III‘). Bauteilspezifische Vorhersagen lassen sich dabei aus dem Zeitpunkt ableiten, an dem die Beschleunigung der Kriechrate einsetzt. Andere Ansätze basieren auf dem Zeitverlauf der Kriechaktivität, welche im Vorfeld des Versagens durch eine mathematische Kurve mit Singularität am Versagenszeitpunkt angenähert werden kann, auf dem Anwachsen der Rate akustischer Emissionen, oder auf der Tatsache, dass sich die Verformungs- und Schädigungsaktivität vor dem Versagen in der Nähe der Bruchfläche lokalisiert. Im vorgeschlagenen Projekt soll untersucht werden, ob sich durch Einsatz von Methoden der künstlichen Intelligenz bzw. des maschinellen Lernens aus Daten zur räumlichen und zeitlichen Entwicklung der Verformungsaktivität verbesserte Vorhersagen des probenspezifischen Versagenszeitpunkts gewinnen lassen. Hierzu sollen einerseits computergenerierte Daten verwendet werden, welche auf der Simulation von Werkstoffmodellen verschiedener Komplexität beruhen, und andererseits experimentelle Daten, die aus seriellen Kriechversuchen an Papierproben unter akustischer und optischer Überwachung der Kriechverformung gewonnen wurden. Die Daten beinhalten jeweils eine große Zahl von Datensätzen, welche das Kriechverhalten von bis zu mehreren 10000 simulierten bzw einigen Hundert experimentelle Proben beschreiben. Von diesen Datensätzen wird jeweils ein Teil zum Training der verwendeten Algorithmen, sogenannter neuronaler Netzwerke, verwendet, die dann eine Zuordnung zwischen dem räumlichen und zeitlichen Muster der Verformungsaktivität und dem erwarteten Versagenszeitpunkt vornehmen. Der Rest der Daten wird zur Überprüfung der erzielten Lernleistung herangezogen. Schließlich wird die Qualität der erzielten Vorhersagen im Vergleich mit anderen in der Literatur beschriebenen Vorhersagemethoden bewertet.

Involved:

Contributing FAU Organisations:

Funding Source