Deep‑Learning‑Modelle beschleunigen Creep‑Simulationen von Inconel 625

In der Hochtemperaturtechnik ist die Zeit‑abhängige Verformung, insbesondere Creep, entscheidend für die Zuverlässigkeit von Komponenten in Luft‑ und Raumfahrt sowie in Energiesystemen. Inconel 625, ein Legierungsmaterial mit hervorragender Creep‑Resistenz, erfordert bei herkömmlichen Finite‑Element‑Simulationen in ANSYS oft mehrere zehn Minuten pro 10.000‑Stunden‑Run – ein Aufwand, der bei umfangreichen Designstudien schnell zum Engpass wird.

Um diese Rechenzeit drastisch zu reduzieren, wurden in der aktuellen Studie zwei Deep‑Learning‑Surrogatmodelle entwickelt. Auf Basis von in ANSYS generierten Creep‑Daten – erzeugt mit der Norton‑Gesetz‑Formel bei einseitigen Belastungen von 50 bis 150 MPa und Temperaturen zwischen 700 °C und 1000 °C – wurden ein BiLSTM‑Variational‑Autoencoder (VAE) und ein BiLSTM‑Transformer‑Hybrid trainiert. Der VAE liefert probabilistische Vorhersagen, die Unsicherheiten explizit berücksichtigen, während der Transformer dank Selbst‑Aufmerksamkeit besonders präzise deterministische Ergebnisse liefert.

Die Modelle wurden mit gängigen Metriken wie RMSE, MAE und R² bewertet. Der BiLSTM‑VAE zeigte stabile und verlässliche Creep‑Strain‑Prognosen, während der BiLSTM‑Transformer eine hohe Genauigkeit über den gesamten Zeitbereich erzielte. In Leistungstests konnten die Surrogatmodelle Vorhersagen innerhalb von Sekunden liefern, im Vergleich zu 30 bis 40 Minuten pro ANSYS‑Simulation. Diese enorme Beschleunigung ermöglicht eine schnelle Creep‑Bewertung während des Designprozesses und eröffnet neue Möglichkeiten für die Optimierung von Hochtemperaturkomponenten.