Werkstoffe und Prozesse
Ob Gasgemisch, Kunststoffbauteil oder Wärmebehandlung: Wenn Rezeptur oder Prozessparameter das Ergebnis bestimmen, kann ein Modell die Auswirkung vorhersagen und Versuchsreihen verkürzen.
- Welche Zusammensetzung erfüllt die Anforderung?
- Welche Prozesseinstellung führt zum Ziel?
- Wie stark streut das Ergebnis?
Vom Parameter zur Eigenschaft
Wir trainieren Modelle, die aus Zusammensetzung oder Prozesseinstellungen die resultierenden Eigenschaften vorhersagen, etwa Wärmeleitfähigkeit, Wanddicke oder Festigkeit. Umgekehrt liefern sie die Einstellung für eine geforderte Eigenschaft.
Solche Modelle lassen sich in Datenbanken, Auslegungswerkzeuge oder die Prozesssteuerung übernehmen.
Passende Projekte
Restwanddicke im Spritzguss mit Wasserinjektion vorhersagen
Ein neuronales Netz sagt die Restwanddicke eines hohlen Kunststoffteils aus den Prozessparametern vorher. Umgekehrt liefert es den Prozessparameter, der eine geforderte Wanddicke erzeugt. Ein Projekt mit Plastic Innovation.
→ Projekt ansehenLadekabel für E-Fahrzeuge mit Phasenwechselmaterial auslegen
Beim Schnellladen erwärmen hohe Ladeströme Leitungen und Batteriesystem. Ein ML-Modell auf Basis von FEM- und Prototypdaten bestimmt den Leiterdurchmesser für eine vorgegebene Maximaltemperatur – mit Phasenwechselmaterial als passivem Wärmespeicher.
→ Projekt ansehenGasgemische für Isolierglas: Wärmeleitfähigkeit vorhersagen
Ein in dAIve Predict trainiertes neuronales Netz sagt die Wärmeleitfähigkeit von Gasgemischen für Isolierglas vorher. Ein Demonstrationsfall auf Basis von Literaturdaten.
→ Projekt ansehenPasst das zur eigenen Fragestellung?
Eine kurze Beschreibung genügt. Wir melden uns mit einer Einschätzung, ob und wie wir helfen können.