KI-gestützte Stahlentwicklung: Physik-informiertes CCT-Modell in Sekunden

Maschinelles Lernen hat sich in der Materialwissenschaft als leistungsstarkes Werkzeug etabliert, um die Entwurfs- und Produktionsprozesse neuer Werkstoffe zu beschleunigen. Für komplexe Industrieprodukte wie Stahl bleibt die Anwendung generischer ML-Frameworks jedoch eine Herausforderung, weil die Wechselwirkungen zwischen chemischer Zusammensetzung, Prozessparametern und dem daraus resultierenden Mikro‑ und Makro‑Verhalten sehr fein abgestimmt sind.

In der vorliegenden Arbeit wird ein neues, physik‑informiertes Computational‑Framework vorgestellt, das die Stärken von ML mit fundiertem physikalischem Wissen kombiniert. Das Ergebnis ist ein kontinuierliches Abkühlungs‑Transformation (CCT) Modell für Stähle, das auf einem Datensatz von 4 100 CCT‑Diagrammen trainiert wurde. Durch die Einbindung von physikalischen Prinzipien kann das Modell die komplexen Abkühlungsprozesse zuverlässig abbilden.

Die Leistungsfähigkeit des Modells ist beeindruckend: Mit einer Laufzeit von weniger als fünf Sekunden werden komplette CCT‑Diagramme mit 100 Abkühlkurven generiert. Die Klassifikation der Phasen erreicht F1‑Scores von über 88 % für sämtliche Phasen, während die Regression der Übergangstemperaturen einen mittleren absoluten Fehler (MAE) von unter 20 °C erzielt – bei Bainit liegt der Fehler leicht höher bei 27 °C. Diese Zahlen zeigen eine starke Generalisierbarkeit über verschiedene Legierungsstähle hinweg.

Das vorgestellte Framework bietet eine solide Basis für die Entwicklung eines universellen Digital‑Twin‑Plattform für Wärmebehandlungen. Durch die Integration mit ergänzenden Simulationswerkzeugen und gezielten Experimenten lässt sich die Plattform weiter ausbauen und verfeinern, um die Materialentwicklung von Stahl noch effizienter und präziser zu gestalten.