Speaker
Description
Korrelative Mikroskopieansätze und KI-basierte Segmentierungen haben die quantitative Gefügeanalyse in den letzten Jahren grundlegend erweitert und ermöglichen die reproduzierbare,skalenübergreifende Auswertung großer, systematisch variierter Probenserien. Auf dieser methodischen Grundlage wurde ein datengetriebenes Framework aufgebaut, das beide Richtungen der α–γ-Umwandlung in C-Mn- und C-Mn-Nb-Stählen adressiert. Entscheidend istdabei, dass die Metallographie Grundlage der Modellierung ist. Die Qualität der Vorhersagen ist unmittelbar an die der Grundwahrheit gekoppelt, die aus der korrelativen Charakterisierung mit Lichtmikroskopie, REM und EBSD gewonnen wird.
Zwei Datensätze decken industrierelevante Prozessfenster über thermomechanische Umformsimulationen ab. Zunächst wurde die Abkühlung γ–α mit dem Austenitzustand (Morphologie, Versetzungsdichte)und der Abkühlrate als Input und mit Phasenanteilen (Ferrit, Perlit, Bainit mit Unterklassen, Martensit), Morphologie und Härte des finalen Gefüges als Zielgrößen abgebildet. Anschließend wurde die Austenitisierung α–γ beschrieben, mit dem Ausgangsgefüge undden Aufheizparametern (Temperatur, Aufheizrate, Haltezeit) als Input und der Morphologie und Homogenität des rekonstruierten Austenits als Zielgröße.
Darauf aufsetzend wurden drei komplementäre Werkzeuge vorgestellt: (i) ein Vorwärtsmodell, das aus Austenit-Eigenschaften und Abkühlrate das Raumtemperaturgefüge vorhersagt; (ii)ein Suchmodul, das die Fragestellung umkehrt und zu einem gewünschten Endgefüge die wahrscheinlichsten Austenitzustände und Abkühlwege ermittelt; (iii) ein inverses Modell, das aus Raumtemperaturgefüge und Aufheizparametern den Ausgangszustand des Austenitsrekonstruiert.
Das Framework versteht sich nicht als universelles Umwandlungsmodell, sondern als metallographisch getriebenes Werkzeug zur Eingrenzung von Prozessfenstern und zur Priorisierungweiterer Experimente, ergänzend zu klassischen deterministischen und thermodynamischen Ansätzen.