Neues datenbasiertes Modell für plastische Deformation mittels akustischer Signale

Ein neues, datengetriebenes Verfahren zur Modellierung der plastischen Deformation kristalliner Metalle wurde vorgestellt. Das Konzept nutzt akustische Emissionen (AE), die bei der Kompression von Nickel-Mikropilaren entstehen, um die Materialveränderung in Echtzeit zu verfolgen.

Durch die Anwendung von Morlet-Wavelet-Transformationen werden AE-Ereignisse in verschiedenen Frequenzbändern präzise erfasst. So lassen sich nicht nur große, sondern auch zuvor übersehene kleine Ereignisse identifizieren. Die erfassten Signale korrespondieren stark mit den beobachteten Spannungsabfällen und zeigen, dass die Energieabgabe bei AE mit der Deformationsentwicklung zusammenhängt. Besonders auffällig ist die Zunahme der Dehnungsrate unmittelbar nach größeren Ereignissen.

Mit einem gelabelten Datensatz aus Ereignissen und Nicht-Ereignissen wurden maschinelle Lernmodelle trainiert. Ingenieurierte Merkmale aus Zeit- und Frequenzdomänen – wie RMS-Amplitude, Nullquerschnittsrate und Spektralkonzentration – liefern deutlich bessere Klassifikationsleistungen als rohe Signale. Durch Clustering lassen sich vier charakteristische AE-Archetypen extrahieren, die jeweils unterschiedliche Deformationsmechanismen repräsentieren.

Die Ergebnisse zeigen, dass akustische Signale nicht nur retrospektiv analysiert, sondern auch zur vorausschauenden Modellierung des Materialverhaltens eingesetzt werden können. Dieses Verfahren eröffnet neue Perspektiven für die Echtzeitüberwachung und -steuerung von Werkstoffprozessen.