LSTM-Modelle vorhersagen Kornwachstum in Polycrystalline Materialien

Das Kornwachstum bestimmt maßgeblich das mechanische Verhalten von Werkstoffen und ist daher ein zentrales Ziel der Mikrostrukturtechnik. In einer neuen Studie wurden verschiedene Deep‑Learning‑Ansätze – darunter rekurrente neuronale Netze (RNN), Long Short‑Term Memory‑Netze (LSTM), temporale Faltungsnetze (TCN) und Transformer – auf ihre Fähigkeit getestet, Korngrößenverteilungen während des Wachstums vorherzusagen.

Im Gegensatz zu aufwändigen Vollfeldsimulationen stützt sich die Arbeit auf Mittelwertstatistiken, die aus hochauflösenden Simulationen extrahiert wurden. Ein Datensatz von 120 Kornwachstumssequenzen wurde in normalisierte Korngrößenverteilungen über die Zeit umgewandelt.

Die Modelle wurden darauf trainiert, zukünftige Verteilungen anhand einer kurzen zeitlichen Vorgeschichte vorherzusagen, wobei eine rekursive Vorhersagestrategie zum Einsatz kam.

Unter den getesteten Architekturen erzielte das LSTM-Netz die höchste Genauigkeit von über 90 % und zeigte die stabilste Leistung. Es lieferte physikalisch konsistente Vorhersagen über längere Zeiträume und reduzierte die Rechenzeit pro Sequenz von rund 20 Minuten auf nur wenige Sekunden. Die anderen Modelle begannen bei längeren Vorhersagen zu divergieren.

Diese Ergebnisse unterstreichen das Potenzial von Low‑Dimensional‑Deskriptoren und LSTM‑basierten Prognosen für eine effiziente und präzise Mikrostrukturvorhersage. Sie haben direkte Implikationen für die Entwicklung digitaler Zwillinge und die Optimierung von Fertigungsprozessen.