KI-Framework erklärt Materialverhalten: 32 Datenpunkte reichen für 88% Genauigkeit

In der Industrie steht die Einführung von Künstlicher Intelligenz für Ingenieurwesen (AI4E) vor zwei großen Hindernissen: der Mangel an hochwertigen Daten und die fehlende Transparenz von Black‑Box‑Modellen. Besonders in sicherheitskritischen Bereichen wie der Luftfahrt ist die Nachvollziehbarkeit entscheidend.

Eine neue Studie präsentiert ein erklärbares, Few‑Shot‑AI4E‑Framework, das von Anfang an physikalische Prinzipien und Expertenwissen nutzt. Aus lediglich 32 experimentellen Proben eines K439B‑Superlegierungs‑Schweißfalls wurden mithilfe eines dreistufigen Protokolls physikalisch plausibles synthetisches Datenmaterial erzeugt: gezielte Rauschinjektion, strenge physikalische Constraints und die Erhaltung von Parameterbeziehungen.

Im nächsten Schritt wird ein verschachteltes Optimierungsverfahren eingesetzt: Symbolische Regression erkundet mögliche Gleichungsstrukturen, während Differential Evolution die Parameter optimiert. Anschließend erfolgt eine intensive Feinabstimmung durch eine hybride globale‑lokale Optimierung.

Das Ergebnis ist eine interpretierbare Konstitutivegleichung, die die Hot‑Cracking‑Tendenz mit 88 % Genauigkeit vorhersagt. Die Gleichung liefert nicht nur präzise Vorhersagen, sondern macht auch deutlich, wie thermische, geometrische und metallurgische Mechanismen zusammenwirken, um Risse zu verursachen. Damit wird das Verständnis der Ingenieure für den Prozess vertieft.

Darüber hinaus dient die Gleichung als vielseitiges Werkzeug für Prozessoptimierung und die Erzeugung hochpräziser virtueller Daten, was die Genauigkeit weiter steigern kann. Diese Fortschritte markieren einen wichtigen Schritt hin zu vertrauenswürdiger KI in sicherheitskritischen Ingenieuranwendungen.