|
Abstract No.: |
|
Scheduled at:
|
Wednesday, September 21, 2022, TZ 1 und TZ 2 11:30 AM Künstliche Intelligenz in der Schweißtechnik II
|
|
Title: |
Deep-Learning gestützte zerstörungsfreie Prädiktion des Tragfähigkeitsverhaltens von Punktschweißverbindungen unter Einsatz der Ultraschallmikroskopie und der Finite Elemente Methode
|
|
Authors: |
Tobias Girresser* / Technologie-Institut für Metall und Engineering GmbH, Deutschland Moritz Wirth / Technologie-Institut für Metall und Engineering GmbH (TIME), Wissen Martin Lindner/ RIO GmbH, Deutschland Alexander Uts/ RIO GmbH, Deutschland
|
|
Abstract: |
Die quantifizierbare Prüfung der Tragfähigkeit von Widerstandspunktschweißverbindungen erfolgt bisher ausschließlich zerstörend. Dem gegenüber stehen die zerstörungsfreien Prüfmethoden, mit denen bis dato nur qualitative Aussagen zur Qualität der Verbindung infolge der Ermittlung von Unregelmäßigkeiten möglich sind. Bei der zerstörenden Prüfung entstehen jedoch zusätzliche Prüf- und Materialkosten, die sowohl aus ökonomischer als auch ökologischer Sicht nicht vernachlässigbar sind. Dies erfordert eine Weiterentwicklung der Methoden der quantitativen Qualitätskontrolle. Die Fortschritte in der Digitalisierung und der Forschung im Bereich der künstlichen Intelligenz bieten ganz neue Möglichkeiten. In diesem Bericht wird eine Deep-Learning-basierte Methodik vorgestellt, welche die Ultraschallmikroskopie mit der FEM-Methode derart kombiniert, dass erstmals zerstörungsfrei quantifizierbare Aussagen zur individuellen Tragfähigkeit von Punktschweißverbindungen getroffen werden können.
|
|