Transformer zur datengetriebenen Bestimmung von Materialparametern aus der optischen Deformationsanalyse

Das Forschungsprojekt verfolgt das Ziel, ein neuartiges Verfahren zur Materialcharakterisierung von Blechwerkstoffen zu untersuchen. Durch die Kombination von Finite-Elemente-Simulationen, realitätsnahem Rendering und modernen Transformer-basierten Deep-Learning-Architekturen wird ein Framework zur Identifikation von Parametern in Fließkurven und Fließortmodellen erarbeitet und analysiert. Kernidee des Projekts ist es, experimentelle Messreihen vollständig durch synthetisch generierte Bilddaten als Trainingsgrundlage für ein neuronales Netzwerk zu ersetzten. Das Netzwerk soll in der Lage sein, aus Dehnungsfeldern oder direkt aus Bilddaten die zugrundeliegenden Materialparameter zu rekonstruieren. Hierzu wird ein umfassendes virtuelles Labor geschaffen, das realitätsnah Belichtungsverhältnisse, Kameraparameter und Oberflächentexturen nachstellt. Als datengetriebenes Modell kommt ein ViViT-Transformer zum Einsatz, der diese Datensätze analysiert und auf die Fließort- und Fließkurvenparameter zurückschließt. Das Vorhaben umfasst vier zentrale Arbeitspakete: (1) Aufbau des virtuellen Labors, (2) Erarbeitung einer geeigneten Transformerarchitektur, (3) Systematische Analyse anhand von synthetischen Daten sowie (4) Systematische Analyse anhand von realen Versuchsdaten. Ziel ist es, die Leistungsfähigkeit und Grenzen des Ansatzes zu untersuchen und damit einen Beitrag zur datengetriebenen, ressourcenschonenden Materialcharakterisierung zu leisten.