Magnetisch unterstützte KI-gestützte Optimierung der Herstellung von Stahlpipelines

Dieses Projekt zielt darauf ab, einen magnetisch unterstützten, KI-gestützten Workflow zur Optimierung der Herstellung von Stahlrohrleitungen sowie zur Vorhersage strukturellen Versagens bereits in den frühesten Produktionsphasen zu entwickeln. Der vorgeschlagene Ansatz nutzt magnetische Charakterisierung, um Spannungskonzentrationen und Defekte im Frühstadium zu identifizieren, noch bevor sichtbare Schäden entstehen. In ferromagnetischen Stählen weisen Poren, Risse und stark beanspruchte Bereiche eine erhöhte Versetzungsdichte auf, die die Bewegung magnetischer Domänen behindert und dadurch messbare Veränderungen im Verhalten des magnetischen Flusses verursacht. Im Rahmen des Projekts werden mikromagnetische Simulationen eingesetzt, um Zusammenhänge zwischen Spannungsverteilungen, Versetzungsdichte und magnetischer Reaktion zu untersuchen, während Modelle der Bruchmechanik die mechanischen Eigenschaften und Spannungsfelder mit magnetischen Signaturen verknüpfen. Simulationsergebnisse und experimentelle magnetische Messungen werden in ein Machine-Learning-Framework integriert, das in der Lage ist, die Qualität von Rohrleitungen vorherzusagen, kritische Spannungsbereiche zu identifizieren und potenzielle Ausfälle zu prognostizieren. Der daraus resultierende Prototyp wird eine frühzeitigere Qualitätsbewertung und eine verbesserte Optimierung der Pipeline-Herstellung ermöglichen und damit die Zuverlässigkeit und Widerstandsfähigkeit von Stahlrohrleitungsinfrastrukturen erhöhen.