Digitale Methoden für die Lebensdauerbewertung am Beispiel hochfester Stähle

Hochfeste Stähle werden in vielen strukturellen Anwendungen eingesetzt. Ein wichtiger Aspekt bei der Bauteilauslegung ist der Ermüdungsfestigkeitsnachweis. Die Schwingfestigkeit hängt von einer Vielzahl von Einflussgrößen ab, wie chemische Zusammensetzung, Wärmebehandlung, Oberflächeneigenschaften, Belastungs-parameter und weitere. Eine rein experimentelle Bestimmung der Schwingfestigkeits-kennwerte in der Bauteil-Design-Phase verursacht hohe Kosten. Daher wird untersucht, inwieweit mit Machine Learning Methoden Schwingfestigkeitskennwerte mit einer geeigneten Datenbasis vorhergesagt werden können. Ontologiebasierte Wissensgraphen können dabei die Prozesskette bei der Herstellung verschiedener Materialvarianten und deren Einfluss auf die Eigenschaften beschreiben und ermöglichen eine strukturierte Datenablage.

High strength steels are widely used for structural applications in which their fatigue behavior is a crucial design factor. It depends on various influence factors such as chemical composition, heat treatment, surface properties, load parameters and others. During product development, various material characterization and qualification experiments are mandatory. For a faster and more cost-efficient development, data driven methods (machine learning) promise to replace or to complement material testing by prediction of fatigue strength. With an ontology-based, semantically-linked knowledge graph, representing the manufacturing history of the material, the influence of the parameters of the process chain on the resulting properties can be accounted for.