Speaker
Description
Spark-Plasma-Sintern (SPS) ist eine feldunterstützte Sintertechnik, die eine schnelle Verdichtung von Pulvern durch die gleichzeitige Anwendung von elektrischem Strom und einachsigem Druck erreicht. Die wichtigsten Vorteile von SPS sind die verkürzte Sinterzeit und die niedrigere Temperatur, wodurch das Kornwachstum minimiert und eine feinkörnige Mikrostruktur erreicht werden kann. Aufgrund dieser Vorteile wird SPS für die Herstellung von Hochleistungskeramiken in mehreren wichtigen Bereichen eingesetzt, darunter die Luft- und Raumfahrt.
Trotz dieser Vorteile berichten mehrere Studien über ungleichmäßige Mikrostrukturen in keramischen Proben, die mit SPS hergestellt wurden. Die gleichzeitige Anwendung von Druck und Temperatur kann zu inhomogenen Temperatur- und Spannungsgradienten innerhalb der Probe führen. In dieser Arbeit werden die thermische und mechanische Belastung während des SPS entkoppelt, um die Homogenität der Mikrostruktur zu verbessern und die Verdichtungsmechanismen in keramischen Systemen gezielt zu steuern. Die Entkopplung der Hochdruckstempel und Elektrodenverbindungen wurde mit einer besonderen Sinterkonfiguration erreicht, wodurch eine unabhängige Druckanwendung in definierten Phasen des Sinterprozesses ermöglicht wird. Dieses Konzept wurde jedoch bisher nur begrenzt untersucht.
Das Hauptziel dieser Studie ist es, die Sintermechanismen unter der modifizierten SPS-Konfiguration zu verstehen und die Prozessbedingungen für eine verbesserte Mikrostrukturkontrolle und erhöhte Verdichtung zu optimieren. Um die Beziehung zwischen Prozess, Eigenschaften und Mikrostruktur zu bestimmen, wird eine Kombination aus Simulationen, Experimenten und maschinellem Lernen eingesetzt. Die resultierenden Mikrostrukturen werden hinsichtlich Korngrößenverteilung und Porosität mithilfe KI-gestützter Bildanalyse untersucht, die eine automatisierte, objektive und reproduzierbare Auswertung großer Datensätze ermöglicht und gleichzeitig umfassende Mikrostrukturinformationen liefert. Anschließend werden Methoden des maschinellen Lernens angewendet, um die optimierten Sinterparameter für gezielt eingestellte Mikrostrukturen vorherzusagen.