Physik-informierte Surrogat-Modellierung des thermischen Verhaltens bei Directed Energy Deposition

Die additive Fertigung ist eine Klasse von Produktionsverfahren, die die Herstellung komplexer Bauteile direkt aus digitalen Modellen ermöglicht, typischerweise durch schichtweises Auftragen von Material. Trotz ihres Potenzials wird die breite Einführung der additiven Metallfertigung nach wie vor durch Schwierigkeiten bei der Gewährleistung der Qualität und Beständigkeit des Endprodukts behindert, was auf die damit verbundenen komplexen physikalischen Phänomene zurückzuführen ist.
 

Ein entscheidender Faktor für die mechanischen Eigenschaften eines Metallteils ist seine thermische Vorgeschichte während der Produktion. Die Mikrostruktur des Materials und damit Eigenschaften wie Festigkeit, Härte und Ermüdungsfestigkeit werden durch die während des gesamten Prozesses auftretenden Temperaturgradienten geprägt. Untersuchungen haben gezeigt, dass eine Beschränkung der
Temperaturüberwachung und -steuerung auf das Schmelzbad allein nicht ausreicht, um einheitliche Materialeigenschaften über komplexe Geometrien hinweg zu gewährleisten, da Nacherwärmungseffekte zwischen benachbarten Bahnen die Mikrostruktur des umgebenden Materials verändern können. Dies unterstreicht die Notwendigkeit räumlich verteilter thermischer Modelle, die die Temperaturentwicklung des Werkstücks als Ganzes beschreiben.
 

Der Schwerpunkt dieses Projekts liegt auf der Untersuchung und Bewertung von Grey-Box-Modellierungsansätzen für das thermische Verhalten additiv gefertigter Teile, wobei physikalisches Wissen über den Prozess mit experimentellen Daten, die während der Fertigung auf der LMD²-Maschine mittels Infrarotkamera erfasst wurden, kombiniert wird. Solche Ansätze sind reizvoll, da sie bekannte physikalische Gesetzmäßigkeiten berücksichtigen und gleichzeitig Daten nutzen, um unbekannte oder schwer zu modellierende Phänomene, wie beispielsweise temperaturabhängige Materialeigenschaften, zu kompensieren.
 

Anstatt hochauflösende Simulationen anzustreben, besteht das Ziel darin, kompakte Ersatzmodelle zu entwickeln, die echtzeitfähig und für steuerungsorientierte Zwecke geeignet sind. Zu den untersuchten Ansätzen gehören diskretisierte dynamische Modelle (bei denen die maßgeblichen physikalischen Gesetze durch die Finite-Differenzen-Methode approximiert werden) sowie Ansätze des wissenschaftlichen maschinellen Lernens, wobei ein besonderes Interesse auf physikalisch informierten neuronalen Netzen (PINNs) und Deep Operator Networks (DeepONets) liegt.

M.Sc. Massimiliano Pandolfo

Januar 2026 - November 2027

1. Felix Lattmann, Axel Dürrbaum, Tim Redding, Andreas Kroll: Detection of false data injection attacks to process plants: experimental evaluation and consequences of smart sensors and communication, ECC 2026, Reykjavík, Iceland, (akzeptiert)

Universität Kassel

• Guilherme da Fonseca Pereira, Massimiliano Pandolfo, Lars Sommerlade, Andreas Kroll: Time-Frequency Analysis for Temperature Measurement and Control in DED-LB/M processes, 2026 IEEE Conference on Control Technology and Applications (CCTA), akzeptiert

• Massimiliano Pandolfo, Andreas Kroll: System Identification of Physics-Informed Control-Oriented Spatio-Temporal Temperature Models for Laser Beam Direct Energy Deposition, 60. Regelungstechnisches Kolloquium (2026), Boppard, DE
• Massimiliano Pandolfo: Heißes Metall, Cool Control: Die Bedeutung von Sensorik, Modellierung und Steuerung in der additiven Fertigung, Werk – Stoff – Idee | Materialforschung aus der Uni Kassel (2026), Kassel, DE