Die Aufgabenstellung und die geplante Herangehensweise des hier behandelten Forschungsprojektes wird in unserem Blog „Anisotrope Materialmodelle kalibrieren mit Unterstützung von KI“ aus 08/2023 beschrieben und soll hier nur kurz wiederholt werden: Zur Bestimmung der Parameter eines anisotropen Materialmodells müssen mehrere FEM-Simulationen durchgeführt werden. Eine Füllsimulation bestimmt die Faserorientierungen im Probekörper, eine oder mehrere Struktursimulationen liefern die Spannungs-/ Dehnungskurven, die mit einem Parametersatz des Materialmodells vorhergesagt werden. Die Modellparameter sind anschließend so lange zu optimieren, bis die Zugversuche mit ausreichender Genauigkeit nachgerechnet werden.
Ziel des Projektes war es, die beiden FE-Solver durch entsprechende KI-Modelle zu ersetzen, um Orientierungsprofile und mechanisches Verhalten des Zugstabes ohne Simulationsaufwand zu ermitteln. Mittlerweile wurde das Projekt erfolgreich abgeschlossen und die Ergebnisse prototypisch in Anwendersoftware umgesetzt.
Erzeugung von Trainingsdaten
Die Bereitstellung einer ausreichend großen Zahl an Trainingsdaten, die das behandelte Problem ausreichend gut beschreiben, ist in den meisten Fällen eine Herausforderung bei der Entwicklung von KI-Modellen. Im Projekt anisotroKI lag der Fokus klar auf der Substitution von aufwendigen FE-Simulationen. Sowohl für die Vorhersage der Faserorientierung in einem Probekörper (Füllsimulation), als auch zur Vorhersage der berechneten Spannungs-/Dehnungskurve mit der ermittelten Faserorientierung und einem gegebenen Materialmodell(Struktursimulation). Das heißt, die Zielgrößen der Trainingsdaten sind NICHT real gemessene Eigenschaften des Probekörpers, sondern ausschließlich simulierte Daten. Dies vereinfacht die Erzeugung von Trainingsdaten erheblich.
KI-Modell „Prozess“
Das KI-Modell „Prozess“ wurde vom Projektpartner aiXtrusion entwickelt. Es ging dabei nicht darum, den gesamte Füllvorgang abzubilden, sondern einzig darum, das an bestimmten Messpunkten aus der Füllung resultierende Faserprofil zu prognostizieren. Das sich in einem Probekörper einstellende Orientierungsprofil hängt im Wesentlichen ab von der Viskosität der Schmelze, der Scherrate und evtl. der Fließweglänge. Diese Größen wiederum werden beeinflußt von der Temperatur, der Einspritzgeschwindigkeit und der Wanddicke bzw. der Probekörpergeometrie. In der Realität spielen sicherlich auch der Fasergehalt und das Aspektverhältnis der Fasern eine Rolle.
Für das KI-Modell „Prozess“, also das Modell zur Substitution der Füllsimulation, wurden daher eine Reihe von Handelstypen mit einem möglichst breitem Viskositätsspektrum ausgewählt.
Für jedes Material wurden für Plattengeometrien eine Reihe von Füllsimulationen mit variierenden Prozeßparametern und zwei unterschiedlichen Dicken (2 mm und 4 mm) durchgeführt und die resultierende Faserorientierung an mehreren Punkten ausgelesen. Bild 1 zeigt eine verwendete Prüfplatte mit 3 Meßpunkten und exemplarischen Ergebnissen für Orientierungsprofil und Zugversuchen. Insgesamt wurde so 378 unterschiedliche Datensätze in der ersten Projektphase erzeugt. Dabei wurden zwei unterschiedliche FE-Solver verwendet. Bild 2 zeigt das Spektrum der verwendeten Orientierungsprofile. Zur Validierung der Simulationsergebnisse wurden zusätzlich beim Projektpartner SKZ für drei Werkstoffe entsprechende Platten hergestellt, die realen Orientierungsprofile in CT-Aufnahmen bestimmt und Zugversuche durchgeführt.
Für die Füllsimulation wurde vom Projektpartner aiXtruison ein entsprechendes KI-Modell entwickelt und trainiert. Wie üblich, wurden 80% der Trainingsdaten für das eigentliche Training des Modells verwendet, die restlichen 20% zur Validierung.
Bild 3 zeigt exemplarisch ein in der Füllsimulation berechnetes und das vom KI-Modell vorhergesagte Orientierungsprofil. Der durchschnittliche Fehler der vorhergesagten Werte lag bei ca 3%. Allerdings gelang es nicht, durch ein KI-Modell die Ergebnisse beider Spritzgießsolver verlässlich vorherzusagen, die sich teilweise trotz identischer Eingangsdaten deutlich unterschieden. Hier ist ein separates Training pro Solver erforderlich. Weiterhin ist die Gültigkeit des Modells z.Zt. auf bestimmte Plattengeometrien begrenzt.
KI-Modell „Struktur“
Auch für des KI-Modell „Struktur“ wurden Trainingsdatensätze erzeugt, indem Zugversuche mit verschiedenen Orientierungsprofilen und Materialmodellen simuliert und ausgewertet wurden. Ein Datensatz bestand dabei stets aus Zugversuchen in 4 unterschiedlichen Richtungen (0°, 30°, 45° und 90° zur Fließrichtung). Orientierung und Modellparameter stellten dabei die Eingangsdaten für das zu trainierende KI-Modell dar, die simulierten Spannungs-/Dehnungskurven die Zielgrößen.
Das Verhalten bei unterschiedlichen Temperaturen wurde dabei jeweils separat, also wie ein eigenes Material behandelt. Insgesamt wurden auf diese Weise 389 Datensätze erzeugt. Bild 2 zeigt die Gesamtheit der verwendeten Spannungs-/Dehnungskurven.
Eingangsdaten für das KI-Modell
Das entsprechende KI-Modell wurde von Projektpartner SKZ in Würzburg entwickelt und trainiert. Exemplarische Ergebnisse zeigt Bild 4. Auch hier gelang grundsätzlich eine gute Vorhersage der Simulationsergebnisse. Dennoch zeigte sich das KI-Modell im weiteren Verlauf als sensibel bezüglich der Eingangsdaten und führte nicht in jedem Fall zu sinnvollen Ergebnissen.
Workflow
In einer ersten Betaversion der Software MatScape wurden beide KI-Modelle als Prototypen implementiert. Das KI-Modell „Prozess“ kann als Alternative zum herkömmlichen Import von Orientierungsprofilen aus Messungen oder Simulationen verwendet werden. In einer späteren Version von MatScape werden die erforderlichen rheologischen Daten in der Materialdatenbank abgelegt sein, so daß der Anwender neben dem Werkstoff nur die Probekörpergeometrie angeben muss, um eine Vorhersage des resultierenden Orientierungsprofils zu erhalten. Bild 5 zeigt ein mögliches Ergebnis dieses Arbeitsschrittes.
Mit dem Orientierungsprofil des KI-Modells „Prozess“ erfolgt in einem ersten Schritt die Bestimmung der anisotrop elastischen Materialmodellparameter.
In einem zweiten Schritt können unterschiedliche Parameter des Materialmodells in einem Optimierungsprozess variiert werden, um gemessene Versuchsdaten mit der Simulation des Zugversuches möglichst gut zu treffen. Statt echter Simulationsergebnisse werden für die einzelnen Parametersätze aber jetzt die Antworten des KI-Modells „Struktur“ verwendet. Auf diese Weise kann die Parameteroptimierung ohne externe Solver und in einem Bruchteil der sonst erforderlichen Zeit durchgeführt werden.
Bild 6 zeigt das Tool zur Kalibierung, zu diesem Zeitpunkt noch als externes Softwaremodul.
Der Arbeitsablauf wurde exemplarisch an einem Demonstratorbauteil validiert. Es handelt sich um einen sogenannten Maskengrundkörper, der als Träger für Filtermatten in Schutzmasken dient. Die Ergebnisse einer Füllsimulation am Bauteil wurden unter Verwendung von Converse in das Strukturmodell übertragen. Das Materialmodell wurde sowohl manuell, also auch auf die oben beschriebene Art und Weise mit den beiden KI-Modellen kalibriert. Bild 7 zeigt den am Bauteil gemessenen Kraft-Weg-Verlauf sowie das Simulationsergebnis mit dem KI basierten Materialmodell. Das Ergebnis der KI-Kalibrierung ist dabei nicht besser als das manuell kalibrierte Modell, sondern in etwa vergleichbar. Allerdings wurde es in einem Bruchteil der Zeit und ohne zusätzliche Solver erstellt.
Diese Forschungsarbeit wurde vom Bundesministerium für Bildung und Forschung über die DLR-Projektmanagementagentur im Rahmen des Programms „KMU-innovativ“ (Projekt-Nr. 01IS23042) auf der Grundlage eines Beschlusses des Deutschen Bundestages gefördert.
Autor: Dr. Marcus Stojek, Geschäftsführer, PART Engineering GmbH, Bergisch Gladbach, Germany
