Digitalisierung zur effizienten Prozessauswahl und Auslegung von Hybridstrukturen auf Basis experimenteller und synthetischer Daten (Hybrid Digital); Teilvorhaben: Einsatz von Methoden des Maschinellen Lernens und Anbindung and die PMD

Abstract

Im Rahmen des Verbundprojekts HybridDigital entwickelte die Enari GmbH datengetriebene Methoden und technische Infrastrukturen zur Unterstützung der Prozessauswahl und Auslegung hybrider Strukturen auf Basis experimenteller und synthetischer Daten. Ziel des Teilvorhabens war die Entwicklung, Validierung und Integration von Machine-Learning-Verfahren zur Analyse komplexer Zusammenhänge zwischen Material-, Prozess- und Geometrieparametern sowie zur Vorhersage mechanischer Kennwerte. Hierfür wurden eine skalierbare Cloud-Dateninfrastruktur auf Microsoft Azure, standardisierte Daten- und Metadatenstrukturen sowie eine durchgängige ML-Backend-Architektur mit REST-Schnittstellen und MLOps-Komponenten aufgebaut. Methodisch kamen insbesondere Random-Forest-basierte Regressions- und Klassifikationsmodelle zum Einsatz, ergänzt durch Ansätze zur synthetischen Datengenerierung und zur bildbasierten Vorverarbeitung mit OpenCV. Die Ergebnisse zeigen, dass die Kombination experimenteller, simulierter und strukturierter Metadaten eine belastbare Grundlage für datengetriebene Prozess- und Designunterstützung bietet. Zugleich wurde deutlich, dass klassische bildverarbeitungsbasierte Verfahren für die robuste Bruchklassifikation komplexer Materialphänomene nur eingeschränkt geeignet sind. Insgesamt liefert das Vorhaben eine methodische und technische Referenz für die Integration von Machine Learning in digitale Architekturen der Material- und Prozessentwicklung.