|
| Abstract No.: |
|
Scheduled at:
|
Monday, September 19, 2022, TZ 3 10:00 AM
Künstliche Intelligenz in der Schweißtechnik I
|
|
| Title: |
Prognose von Anrissorten und Lebensdauer von Stumpfstößen mittels explainable artificial intelligence
|
|
| Authors: |
Moritz Braun* / Technische Universität Hamburg, Deutschland
Sören Ehlers / Technische Universität Hamburg, Deutschland
Leon Kellner/ Technische Universität Hamburg, Deutschland
Sarah Schreiber/ Technische Universität Hamburg, Deutschland
|
|
| Abstract: |
Stumpfstöße sind in vielen Branchen üblich. Das Ermüdungsverhalten solcher Verbindungen hängt von zahlreichen Faktoren ab wie z. B. von der Höhe der Belastung, der lokalen Schweißnahtgeometrie oder der Festigkeit des Grundmaterials. Erschwerend kommt hinzu, dass diese Faktoren häufig in Wechselwirkung miteinander stehen, ihr gegenseitiger Einfluss jedoch aufgrund der großen Anzahl der erforderlichen Prüfungen und der statistischen Natur der Variablen mit üblichen statistischen Verfahren kaum quantifiziert werden kann. Darüber hinaus ist die Bewertung der Betriebsfestigkeit mittels dreidimensionalen Finite Elemente Berechnungen zu zeitintensiv, um Bewertungen direkt während der Fertigung durchzuführen. Folglich weicht das Ermüdungsverhalten solcher Verbindungen oft erheblich von Vorhersagen und experimentellen Ergebnissen ab. Daher sind alternative Ansätze erstrebenswert, welche es ermöglichen verschiedene Einflussfaktoren und ihre Wechselwirkungen zu berücksichtigen. Zu diesem Zweck werden in dieser Studie Algorithmen des maschinellen Lernens eingesetzt, um Versagensorte und die Anzahl der Lastzyklen zum Bruch mehrerer hundert Wöhlerversuche von Stumpfstößen vorherzusagen. Zusätzlich zu genauen Vorhersagen ist ein Verständnis der Relevanz und des gegenseitigen Einflusses der Faktoren erwünscht, z. B. eine Rangfolge der wichtigsten Faktoren. Die Erfassung des Einflusses mehrerer möglicherweise interagierender Faktoren erfordert jedoch in der Regel komplexe nichtlineare maschinelle Lernmodelle. Wir haben Gradient Boosted Trees verwendet. Da es sich hierbei um Black-Box-Modelle handelt, wurde das SHAPley Additive eXplanations (SHAP)-framework verwendet, um die Vorhersagen zu erklären, d. h. um einflussreiche Merkmale und ihre Wechselwirkungen zu bestimmen. Schließlich werden die Modellerklärungen mit dem Domänenwissen verknüpft.
|
|