Neues KI-gestütztes Framework verbessert Vorhersagen in der Additiven Fertigung

In der additiven Fertigung (AM) ist das Verständnis der Zusammenhänge zwischen Prozessparametern und Materialeigenschaften entscheidend. Traditionelle datengetriebene Ansätze stoßen jedoch an ihre Grenzen, wenn die verfügbaren Daten knapp sind und die Wissensrepräsentation fragmentiert bleibt. Ein neues, auf Ontologien basierendes, equations‑zentriertes Framework löst diese Probleme, indem es große Sprachmodelle (LLMs) mit einem mathematischen Wissensgraphen für AM (AM‑MKG) verknüpft.

Durch die explizite Codierung von Gleichungen, Variablen, Annahmen und deren semantischen Beziehungen in einer formalen Ontologie werden unstrukturierte Fachliteratur und experimentelle Daten in maschinenlesbare Darstellungen überführt. Diese ermöglichen strukturierte Abfragen und logisches Schließen, wodurch das Wissen konsistenter und leichter zugänglich wird.

Die LLM‑basierte Gleichungsgenerierung wird dabei gezielt durch subgraph‑basierte Vorgaben aus dem AM‑MKG konditioniert. So werden nur physikalisch sinnvolle Funktionsformen erzeugt, und das Risiko von nicht‑physikalischen oder instabilen extrapolierten Vorhersagen wird deutlich reduziert. Zusätzlich wird ein confidence‑aware Extrapolation Assessment eingeführt, das Ausdehnung, statistische Stabilität und graphbasierte physikalische Konsistenz zu einem einheitlichen Vertrauenswert zusammenführt.

Ergebnisse zeigen, dass die ontologie‑gesteuerte Extraktion die strukturelle Kohärenz und quantitative Zuverlässigkeit des extrahierten Wissens erheblich verbessert. Gleichungsmodelle, die auf MKG‑Subgraphen basieren, liefern stabile und physikalisch konsistente Vorhersagen, im Gegensatz zu unbeaufsichtigten LLM‑Ausgaben. Dieses Vorgehen markiert einen bedeutenden Fortschritt in der zuverlässigen Vorhersage und Optimierung von additiven Fertigungsprozessen.