Prozessoptimierung

Neben der Auswahl von Faser- und Matrixmaterial werden die Eigenschaften von Bauteilen aus Faserverbundwerkstoffen maßgeblich durch den Fertigungsprozess bestimmt. Für die strukturmechanische Belastbarkeit sind vor allem eine reproduzierbare, lastpfadgerechte Faserorientierung, der lokale Faservolumengehalt und eine fehlstellenfreie Infiltration von entscheidender Bedeutung. Sie werden wesentlich durch die Prozessparameter während der Fertigung beeinflusst, beispielsweise durch Greiferunterstützung bei der Textilumformung oder durch die Druck- oder Temperaturführung während der Formfüllung und Aushärtung.

Mit den am Institut verfügbaren numerischen Simulationsmethoden können die einzelnen Prozessschritte, beispielsweise Umformung-Infiltration-Aushärtung, im Sinne einer CAE‑Kette nachvollzogen werden. Dabei werden häufig eine gegenseitige Wechselwirkung und stark nichtlineare Einflüsse der Prozessparameter auf die Bauteileigenschaften beobachtet, weshalb eine gezielte Optimierung der Fertigung in Hinsicht auf die Qualität erforderlich ist.

Neben dem Erzielen eines guten Optimierungsergebnisses steht dabei auch die zeitliche Effizienz der Methodik im Vordergrund. Ein aussichtsreicher Ansatz zur Zeitersparnis während der Optimierung ist die Nutzung von Techniken des maschinellen Lernens, beispielsweise durch tiefe neuronale Netze. Hierzu werden am Institut Methoden entwickelt, die es erlauben, die Fertigungsqualität neuer Prozessparametervarianten vorab zu prognostizieren und zeitaufwendige Finite-Elemente-Simulationen auf die meistversprechenden Fälle zu konzentrieren.

Abb. 1: Minimierung des Scherwinkels durch Greiferunterstützung bei der Umformung
 

[1] Kärger, L.; Galkin, S.; Zimmerling, C.; Dörr, D.; Linden, J.; Oeckerath, A.; Wolf, K.: Forming optimisation embedded in a CAE chain to assess and enhance the structural performance of composite components. Composite Structures, submitted for publication, 2017.

[2] Zimmerling, C.; Poppe, C.; Kärger, L.: Estimating optimum process parameters in textile draping of variable part geometries - A reinforcement learning approach, Procedia manufacturing, 47, 847–854, 2020, doi:10.1016/j.promfg.2020.04.263

[3] Zimmerling, C.; Trippe, D.; Fengler, B.; Kärger, L.: An approach for rapid prediction of textile draping results for variable composite component geometries using deep neural networks, Proceedings of the 22nd International ESAFORM; Vitoria-Gasteiz, Spain, 2019, doi:10.1063/1.5112512

[4] Zimmerling, C.; Dörr, D.; Henning, F.; Kärger, L.: A machine learning assisted approach for textile formability assessment and design improvement of composite components. Composites Pt. A, 124, Art. Nr.: 105459. doi:10.1016/j.compositesa.2019.05.027