Das Projekt „Intelligent data-driven process design for fatigue-resistant steel components using bainitic microstructure (iBain)“ wurde an der Ruhr-Universität Bochum vom 1. Mai 2021 bis zum 31. Juli 2023 unter der Förderung des Bundesministeriums für Bildung und Forschung 13XP5118A 4103590002 durchgeführt. Ziel war es, einen systematischen, datenbasierten Arbeitsablauf zu schaffen, der die Verarbeitungsbedingungen, die bainitische Mikrostruktur und die mechanische Leistung miteinander verknüpft und so den Einfluss der menschlichen Beurteilung reduziert und die Entwicklung neuer Stahlsorten beschleunigt.
Eine zentrale technische Errungenschaft war die Entwicklung eines maßgeschneiderten Simulationswerkzeugs auf der Grundlage der OpenPhase-Phasenfeldbibliothek. Das Tool wurde in den pyiron Workflow Manager integriert, eine Plattform, die groß angelegte Simulations- und Datenanalyseaufgaben orchestriert. Diese Integration wurde durch eine von der OpenPhase Solutions GmbH bereitgestellte Python-Erweiterung ermöglicht, die eine nahtlose Ausführung von Bainitbildungssimulationen innerhalb der breiteren Prozesssimulationskette erlaubt. Die Simulationen decken die gesamte bainitische Umwandlung ab, von der Keimbildung der Bainitlamellen im Austenit bis zum Wachstum, der Umverteilung des Kohlenstoffs und der Diffusion. Durch die Kalibrierung der Modellparameter anhand experimenteller Daten konnte das Team voll funktionsfähige Simulationen für eine Reihe von Wärmebehandlungsszenarien für verschiedene Legierungszusammensetzungen erstellen. Die verbesserten Modellierungsfähigkeiten wurden durch den Vergleich der simulierten mikrostrukturellen Merkmale – wie Lamellenabstand und Phasenanteile – mit Messungen durch Elektronenmikroskopie und Röntgenbeugung validiert.
Parallel dazu wurde im Rahmen des Projekts ein Workflow zur Extraktion quantitativer Deskriptoren aus experimentellen Mikrostrukturen entwickelt. Experimentelle Daten von Partnerlabors an der RWTH Aachen und dem Fraunhofer Institut IWM wurden mit der gleichen Pyiron-Pipeline verarbeitet, die auch die Simulationen durchführte. Die Merkmalsextraktion umfasste Messungen der Lamellendicke, der Orientierungsverteilung und der Gradienten der Kohlenstoffkonzentration. Diese Deskriptoren wurden dann in ein Modell zur Vorhersage der Ermüdungslebensdauer eingespeist, das mikrostrukturelle Parameter mit Belastungsgrenzen verknüpft. Das Modell, das auf statistischen Lerntechniken basiert, zeigte eine Vorhersagegenauigkeit innerhalb von 10 % der gemessenen Ermüdungslebensdauer für die getesteten Legierungen, was einen bedeutenden Schritt in Richtung eines datengesteuerten Designs von ermüdungsbeständigen Stählen darstellt.
Das Projekt befasste sich auch mit der Herausforderung der Datenaufbereitung für Machine-Learning-Anwendungen. Es wurden drei statistische Methoden zur Erkennung von Veränderungen angewandt, um repräsentative Experimente zu identifizieren und so den Zeitaufwand für die Datenbereinigung um bis zu 30 % zu reduzieren. Darüber hinaus wurde ein Machine-Learning-Ansatz verwendet, um mechanische Eigenschaften – Zugfestigkeit, Streckgrenze und Dehnung – von warm- und kaltgewalzten Stahlcoils aus Produktionsdaten vorherzusagen. Es wurden Sensitivitätsanalysen und eine Quantifizierung der Unsicherheit durchgeführt, um die Auswirkungen von Messfehlern und Modellannahmen auf die Vorhersagen zu bewerten.
Die Zusammenarbeit war ein Schlüsselelement der Bemühungen. Die Ruhr-Universität Bochum koordinierte das Gesamtprojekt und stellte ihr Fachwissen im Bereich Phasenfeldmodellierung und Ermüdungsanalyse zur Verfügung. Die RWTH Aachen steuerte experimentelle mikrostrukturelle Daten und die Validierung der Simulationsergebnisse bei. Das Fraunhofer Institut IWM stellte fortschrittliche Charakterisierungseinrichtungen zur Verfügung und half bei der Entwicklung des Ermüdungslebensmodells. OpenPhase Solutions GmbH lieferte die zentrale Simulationsbibliothek und entwickelte die Python-Erweiterung, die die Integration in den pyiron-Workflow ermöglichte. Die SMS Group GmbH lieferte Produktionsdaten für die Machine-Learning-Studien an gewalzten Stahlcoils. Das Projektteam bestand aus Forschern dieser Institutionen, wobei für den Zeitraum von zwei Jahren insgesamt acht Meilensteine geplant waren. Ein Personalwechsel im ersten Jahr führte zu einer kostenneutralen Verlängerung um fünf Monate, in denen sich der Schwerpunkt von der multikriteriellen Optimierung auf die Entwicklung des Modells zur Vorhersage der Ermüdungslebensdauer verlagerte.
Insgesamt lieferte das Projekt einen vollautomatischen, datenzentrierten Arbeitsablauf, der Verarbeitung, Mikrostruktur und mechanische Leistung für bainitische Stähle miteinander verbindet. Die Integration von fortschrittlichen Phasenfeldsimulationen, automatischer Datenextraktion und maschinellen Lernmodellen bietet eine leistungsstarke Plattform für die schnelle, evidenzbasierte Entwicklung ermüdungsbeständiger Stahlkomponenten, die sich unmittelbar auf die industrielle Prozessentwicklung anwenden lässt und langfristig das Potenzial hat, die Entwicklungszyklen für neue Materialien zu verkürzen.