anisotroKI - Automatisierte Erstellung von Materialmodellen für die integrative Simulation anisotroper Kunststoffe mit Hilfe von KI-Modellen

Abstract

Ein zentraler Bestandteil des Projekts war die Bereitstellung einer qualitativ hochwertigen Datenbasis für das KI-Modelltraining. Da reale Prozessdaten nur begrenzt verfügbar sind, konzentrierte sich die Arbeit auf numerische Füllsimulationen. In einer zweistufigen Evaluationsphase wurden zwei Simulations-Solver verglichen. Der zunächst eingesetzte Solver Cadmould erzeugte Ergebnisse mit zu geringer Varianz: Trotz systematischer Variation der Eingangsparameter – Druckverläufe, Temperaturen und Materialeigenschaften – bewegten sich die Outputs in einem engen, homogenen Wertebereich. Für ein robustes Machine-Learning-Modell ist jedoch ausgeprägte Datenheterogenität essenziell, da das Modell andernfalls keine generalisierbaren Muster erkennt und zu Overfitting neigt. Cadmould wurde daher als ungeeignet eingestuft. Die strategische Neuausrichtung auf den Moldex-Solver erwies sich als zielführend: Moldex lieferte ein deutlich breiteres Ausgabespektrum, das die physikalischen Kausalzusammenhänge des Spritzgießvorgangs differenzierter abbildet. Die erhöhte Datenbreite ermöglichte die notwendigen Kontraste in den Features, damit die KI auch subtile Abweichungen im Füllverhalten präzise korrelieren kann. Der Fokus verlagerte sich bewusst von der reinen Massendatenerzeugung hin zu einer qualitativen Validierung der Solver-Performance, um die physikalische Integrität des Trainingsdatensatzes zu gewährleisten. Aufbauend auf dieser Datenbasis wurde in AP 4 ein KI-Modell für die Füllsimulation entwickelt. Der verfügbare Datensatz umfasst 378 Datenpunkte an drei Probenpositionen (Links, Rechts, Mitte), die Informationen zu Prüfstückgeometrie (Plattendicke, Schichtanzahl, Fließweglänge, Volumen), Materialparametern (Viskosität über zehn Temperaturstufen, Faseranteil) sowie Füllparametern (Füllzeit, Schmelz- und Werkzeugtemperatur) enthalten. Die Ground-Truth-Daten bestehen aus Orientierungstensoren in sechs Schichten. Nach Bereinigung und Skalierung wurden 59 Eingangsmerkmale definiert, die 18 Ausgabewerte (Materialorientierungen je Schicht) vorhersagen. Der Datensatz wurde im Verhältnis 80/20 in Trainings- und Validierungsset aufgeteilt. Zunächst wurde ein vollständig verbundenes neuronales Netz (FCNN) mit einer verdeckten Schicht (35 Neuronen) trainiert. Für jede Plattendicke wurden separate Modelle erstellt. Durch Hyperparameter-Optimierung, Early Stopping und den Adam-Optimizer wurde ein durchschnittlicher MAPE von 8,99 % bei einem R² von 0,99 erreicht. Die Vorhersagegüte für die linke und rechte Probenposition war dabei geringer als für die Mitte, was auf Verbesserungspotenzial hindeutete. Der anschließende Wechsel zu XGBoost (Gradient Boosting mit Entscheidungsbäumen) brachte eine deutliche Verbesserung: Der kombinierte MAPE sank auf 3,10 % bei einem R² von 0,93. Zudem erlaubt XGBoost, verschiedene Plattendicken in einem einzigen Modell abzubilden, was die Anwendung vereinfacht. Eine Analyse der Feature-Wichtigkeit (Gain, Weight und Shapley-Werte) zeigte, dass viskositätsbezogene Merkmale, die Probenposition sowie die Plattendicke den größten Einfluss auf die Modellgenauigkeit haben. Die Lernkurvenanalyse belegt, dass ab ca. 60 Trainingsdatensätzen stabile und reproduzierbare Vorhersagen erzielt werden. Unterhalb dieser Schwelle ist das Modell instabil und anfällig für Overfitting. Neben der Datenmenge ist die Varianz der Daten der entscheidende Faktor: Eine breite Abdeckung des Parameterraums ist zwingend erforderlich, um lokales Overfitting zu verhindern. Die Vorhersage wird zudem auf die Hauptdiagonalelemente des Ausgabetensors beschränkt, da Nebenelemente signifikant schlechtere MAPE-Werte aufweisen und vermutlich stochastisches Rauschen widerspiegeln. Im Rahmen von AP 6 wurde das validierte XGBoost-Modell in die CONVERSE-Plattform integriert. Um Abhängigkeiten von Python-Laufzeitumgebungen zu vermeiden, wurde das Modell in das standardisierte ONNX-Format (Open Neural Network Exchange) konvertiert und dabei in hochperformante ONNX-Operatoren (TreeEnsembleRegressor) überführt. Optimierungsverfahren wie Operator Fusion und Constant Folding reduzierten redundante Rechenschritte und maximierten die parallele Ausführung auf Multi-Core-Hardware. Das ONNX-Format gewährleistet Zukunftssicherheit: Das Modell ist frameworkunabhängig, portierbar und langfristig wartbar – unabhängig von künftigen Versionssprüngen der Trainingsbibliotheken. Die abschließende Konzeptvalidierung (AP 7) erfolgte in mehreren Iterationen gemeinsam mit den Projektpartnern. Als Demonstrator wurde ein Maskengrundkörper gewählt, für den eine Füllsimulation erstellt und die KI-basierte Vorhersage erfolgreich validiert wurde. Das Projekt demonstriert insgesamt den erfolgreichen Einsatz von KI zur Vorhersage von Materialorientierungen im Spritzgussprozess – von der simulativen Datenbasis über die Modellentwicklung bis hin zur produktionsreifen Integration.