Künstliche Intelligenz (KI), insbesondere Algorithmen für maschinelles Lernen (ML) und Deep Learning (DL), wird zu einem wichtigen Werkzeug in den Bereichen Werkstoff- und Maschinenbau.

[1] K. Guo, Z. Yang, C.-H. Yu, and M. J. Buehler, “Artificial intelligence and machine learning in design of mechanical materials,” Materials Horizons, vol. 9, 2021.

Die nachfolgenden Aufgaben und Fragen sollen einen Leitfaden für eine eigenständige Erarbeitung dieses Überblicks und eine Zusammenfassung geben.

Frage 1. Welche Materialklassen kennen Sie und welche sind für die Werkstoff- und Prüftechnik relevant?

Metalle
Gläser
Kunststoffe, Gummi
Legierungen (aus Metallen)
Composite
Laminate
Elastische und plastische Materialien
Keramiken

Frage 2. Welche Materialparameter gibt es, die häufig in der Material- und Werkstoffkunde auftreten?

Materialdichte
Leitfähigkeit
Porosität
Härte
Zähigkeit
Dehnungskoeffizient
Temperaturkoeefizienten
E-Modul
Streckgrenze
Bruchgrenze
Mikrostruktur

Experimenten
Modelle
Datenlage, Dimensionalität, repräsentative Besetzung mit experimentellen oder simulierten Daten
Parameterraum
Messgenauigkeit der Daten

Frage 5. Was sind Biomaterialien und strukturelle Materialien? Worin unterscheiden sie sich beide?

Biomaterialien: Bio-inspirierte Materialien mit biologischen/natürlichen Eigenschaften
Strukturelle Materialien: Zusammengesetzte Materialien mit betimmten Strukture, z.B. Komposite oder Laminate

Auswahl geeigneter Modelle (ML)
Auswahl des Trainingsverfahrens (überwacht, nicht überwachts, rückgekoppelt)
Datensammlung, Datenerzeugung, und Datenvorverarbeitung
Rohdaten i.A. für ML nicht geeignet (entweder zu einfach oder zu kompliziert im Zusammenhang mit den Zielgrößen)
Datenquellen: Literatur, fremde Arbeiten, eigene Arbeiten
Speicherung und Organisation von Daten

Frage 8. Welche Ziele will man beim Einsatz von ML Methoden erreichen, welche Probleme lösen?

Vorhersage von (Material) Eigenschaften aus Daten, z.B. Dichte oder Schmelzpunkt aus Messdaten oder Materialparametern
Optimierung von Prozessen und Materialien, i.A. inverse Probleme (Parameterraumauswahl, z.B. Legierung aus Dichte)
Materialentwicklung (neuartige Materialparametern erzeugen, generative Verfahren)
Detektion von Defekten und Schäden

Frage 9. Wo kommen die Daten her, mit welchen Problemen hat man bei der Erstellung und Verwendung dieser Daten?

Literatur
Fremde Messungen / Experimente
Eigene Messungen / Experimente
Synthetische Datenerzeugung (oder Erweiterung vorhandener experimenteller Daten)
Simulation

Frage 10. Welche Schlüsselkomponenten können Sie beim ML-basierten Entwurf von Materialien identifizieren?

ein gut organisierter Materialdatensatz, der entweder aus Literatur und vorhandenen Datenbanken gesammelt oder aus Experimenten und Simulationen generiert wurde;
ein ML-Modell, das in der Lage ist, die Darstellung für bestimmte Aufgaben zu lernen und zu analysieren; und
ein genau definiertes Forschungsproblem von Materialien und ihren mechanischen Eigenschaften, das mit herkömmlichen Methoden nicht angegangen oder gelöst wurde, aber von ML-basierten Ansätzen erzielt oder übertroffen werden kann.

Aufgabe. Lesen Sie den nächsten Abschnitt "A Brief summary of ML models, algorithms and structures"

Frage 12. Welche drei grundlegenden ML Verfahren (übergeordnete Klassen) werden genannt?

Überwachtes Lernen mit annotierten Trainingsdaten
Nichtüberwachtes Lernen
Rückgekoppeltes Lernen

Frage 13. Welche speziellen ML Verfahren und Modelle werden genannt? Siehe auch Tabelle 1.

Regressionsverfahren (linear)
Support Vector Machine (auch Regression)
Baumstrukturen (Random forest tree)
Neuronale Netzwerke (Vorwärts- und rückgekoppelt)
Faltungsnetzwerke (CNN)
Generative Modelle
Baysian Netzwerke, also statische Modellnetzwerke
Graphen aus neuronalen Netzwerken
Genetische und evolutionäre Algorithmen

Aufgabe. Lesen Sie den nächsten Abschnitt "Data collection, generation and preprocessing"

Frage 15. Welche Datenquellen kommen in Frage? Siehe auch Tabelle 2. Fasse die Materialklassen zusammen.

Metalle, Legierungen, anorganische Verbindungen
Stahl, Aluminium
Polymere
Keramiken

Statistische Analyse (Aggregate)
Strukturelle und Korrelationsanalyse (Lineare Abhängigkeit von Variablen usw.)
Modellbasierte Überprüfung
Netzwerkanalyse, d.h. Clustering/Gruppierung (mit ML Verfahren wie k-Nachbarschaft oder neuronale Netzwerke)

Frage 17. Welche Methoden und Verfahren werden für die Datenanalyse und Datenvorverarbeitung häufig eingesetzt?

Varianzanalyse
Korrelationsanalyse
Hauprkomponentenanalyse (PCA)
Self-organizing Maps (SOM), Ähnlichkeitsanalyse

Simulation
Analytische Modelle
Experimente
Datenerweiterung
Generative Modelle (mit stochastischen Prozessen)

Vorhersage von Materialeigenschaften
Topologischer Entwurf
Neue numerische Verfahren (ML-Verfahren soll klassiche numerische Verfahren ersetzen, z.B. auch Ersatzmodellierung durch ML Modelle aus Daten)

Frage 21. Welche Zielgrößen (z.B. Materialparameter) sollen durch die ML Modelle "vorhergesagt" werden? Welche ML Modelle werden typischerweise für welche Daten verwendet?

PR, LASSO, RF, MLP: Young Modul
ANN: Allg. Regression mechanischer Eigenschaften
stochastic gradient descent, k-nearest neighbors, SVR, DT, ANN: Allg. mech. Eigenschaften
CNNs sind gegenüber herkömmlichen ML-Methoden vorteilhaft im Lernen von Einbettungen auf verschiedenen Längenskalen, insbesonder um räumlich verteilte mechanische und strukturelle Eigenschaften zu analysieren, z.B. Vorhersage von mech. Eigenschaften aus Mikrostrukturbildern
GAN-Modell zur Lösung des inversen Elastizitätsproblems bei der Berechnung der Elastizitätsmodulverteilung aus beobachteten Verschiebungs- oder Dehnungsfeldern in Einschlusssystemen
CNN, LSTM: Bruchanalyse (z.B. in Kristallen), auch zustandsbehaftet mit Bruchforschritt (LSTM)
Residiual ANN: Plastizität in Kristallen

Frage 22. Was sind typische Eingabegrößen, d.h., Messvariablen? Welche Dimensionalität (Zeit-und Ortsraum)?.

Temperatur (0-dim)
Härte (0-dim)
Dehnung und Kraft, Druck (0-dim, 1-dim, aber auch 2-dim)
Bilder (Mikroskopie, 2-dim, X-ray CT, 3-dim)
Ultraschallsignale (1-dim, zeitabhängig, aber auch 2-dim ortsaufgelöst)

Sie können synthetisch Messdaten erzeugen und werden dabei i.A. aus experimentellen Messdaten trainiert (oder Simulationsdaten).
Wichtig: Es soll keine "lineare Abhängigkeit" zwischen Trainingsdaten und generierten Daten geben (also wirklich neue Daten)

Schlussfolgerungen

Frage 24. Wo liegen die grundsätzlichen Unterschiede im Einsatz von datengetriebenen ML Verfahren für die Materialentwicklung im Vergleich zur Materialprüfung (Schadensdiagnostik)? .

Materialprüfung ist ein Vorwärtsproblem, d.h. aus Messdaten soll auf Eigenschaften geschlossen werden
Materialentwicklung ist das inverse Problem dazu: Aus Materialeigenschaften soll eine Materialzusammensetzung oder materialstruktur geschlossen werden (oder Prozessparameter); Messdaten dienen hier nur zur Modellvalidierung!
Materialentwicklung ist eine Parameter- und Modellsuche (i.A. bei unbekannten Modellen)

Übung 1: KI in der Werkstoffkunde

Schlussfolgerungen