KI hilft Flugzeuge sicherer und effizienter zu designen
- Zeit und Kosten im Flugzeugbau sparen: Versteht man die Eigenschaften von Werkstoffen, lassen sich Belastbarkeit und Einsatzdauer von Flugzeugen genauer vorhersagen.
- Natürliche Ressourcen schonen: Material im Flugzeug dort verbauen, wo es tatsächlich benötigt wird.
- KI-Methoden ermöglichen genauere Vorhersagemodelle.
- Schwerpunkte: Luftfahrt, Digitalisierung, Nachhaltigkeit, Künstliche Intelligenz
Metallische Materialien sind ein wesentlicher Bestandteil der Struktur moderner Verkehrsflugzeuge. Nur wer über detailliertes Expertenwissen verfügt, der versteht, wie diese Werkstoffe sich im täglichen und anspruchsvollen Flugbetrieb verhalten und kann das sichere und effiziente Flugzeug von morgen konstruieren. Die Wissenschaftler des Deutschen Zentrums für Luft- und Raumfahrt (DLR) erproben am Institut für Werkstoff-Forschung Methoden der künstlichen Intelligenz an metallischen Werkstoffen.
„Versteht man, in wie weit man die Eigenschaften von Werkstoffen bis ans Limit ausnutzen kann, ergibt sich die Möglichkeit, die Einsatzdauern von Flugzeugen genauer vorherzusagen und auszuweiten. Das erhöht die Sicherheit und spart Zeit und Kosten. Es wird zudem, um natürliche Ressourcen zu schonen, nur dort Material im Flugzeug verbaut, wo es tatsächlich benötigt wird. So lässt sich das Gewicht des Flugzeugs reduzieren und Treibstoff kann eingespart werden “, erklärt Eric Breitbarth, Wissenschaftler am DLR-Institut für Werkstoff-Forschung.
KI-Methoden ermöglichen genauere Vorhersagemodelle
Die Verfahren der digitalen Bildkorrelation und des Deep Learnings sind zwei Beispiele, mit denen die Wissenschaftler des DLRs in der Abteilung Metallische Strukturen und Hybride Werkstoffsysteme neue und präzisiere Werkstoff- und Vorhersagemodelle entwickeln können. Bisherige Untersuchungen und Ergebnisse belegen, dass die Entwicklungszeiten der Modelle verkürzt werden können. Aber auch, dass viel Potential in der Weiterentwicklung von digitalen Methoden liegt, um Prüf- und Analy-semöglichkeiten, sowie die Durchführung von Experimenten und deren Auswertung zu revolutionieren. Diese digitalen Methoden werden dazu beitragen, zukünftige Flugzeuggenerationen noch leichter und effizierter zu designen.
Digitale Bildkorrelation automatisiert Versuchsführung
Um die Grenzen moderner Werkstoffe zu kennen und ihr Verhalten zu verstehen, führen die Materi-alwissenschaftler aufwendige Werkstoffuntersuchungen und Experimente durch: Von der Kompo-nentenebene bis hin zur Mikrostruktur. Dabei belasten die Wissenschaftler Bauteile mit mechanischen Kräften, wie sie während des Fluges auftreten, beobachten die Reaktion des Probestücks und zeichnen diese mit Kameras auf. Bei der digitalen Bildkorrelation wird ein virtuelles Bild über das getestete Bauteil gelegt. So ist zu erkennen, wie hoch die Beanspruchung des Materials ist. Dort wo lokale Beanspruchungen am höchsten sind, sind Risse im Werkstoff zu erwarten und werden mit Hilfe eines Algorithmus durch die digitale Bildkorrelation erkannt. Die entstandene Rissspitze, über die sich Teile der Materialkennwerte ableiten lassen, wird mit automatisch nachgeführten Mikroskopen fotografiert. Hierfür ist ein intelligenter Auswertealgorithmus zur Berechnung der Rissspitzenbeanspruchung entstanden, mit dem Risse grundlagennah ausgewertet werden können. Mithilfe dieser Methode können neue Lebensdauermodelle für Materialen erstellt werden.
Deep Learning bewertet Werkstoff
Neben den durch die digitale Bildkorrelation entstanden 2D- und 3D-Bilderdaten, ist es für die Wis-senschaftler unerlässlich, die Mikrostruktur des Gefüges von beanspruchten Flugzeugkomponenten zu untersuchen. Dies erfolgt unter anderem durch die 3D-Computertomografie, bei der ein virtuelles Abbild eines Werkstoffs erstellt wird, in dem die verschiedenen Bestandteile in einem Werkstoff, auch Phasen genannt, zu erkennen sind. Diese Abbilder wurden bisher in zeitaufwendiger Arbeit von den Wissenschaftlern manuell ausgewertet. Heute können erste trainierte Deep-Learning-Algorithmen diese Arbeit in einem Bruchteil der Zeit übernehmen und die Zusammensetzung des Materials ermitteln und so bewerten. So werden die Verfahren des maschinellen Lernens und insbesondere der Convolutional Neuronal Networks (CNN) sehr erfolgreich zur Musterkennung und semantischen Bildsegmentierung am Institut für Werkstoff-Forschung eingesetzt. Dies trägt dazu bei, Lebensdauermodelle von Materialen noch schneller zu entwickeln und aus den großen Datenmengen der Computertomographie mitunter neue Erkenntnisse zu ziehen.