Informationssystem für Werkstoffwissen
Doch genau hier liegt die Herausforderung: Die Angabe eines Werkstoffnamens allein beinhaltet einen großen Lösungsraum. Für welche Bereiche in diesem Lösungsraum gelten die Materialkarten? Wie zuverlässig sind Simulationen, wenn sie den Lösungsraum nicht abdecken und dann Chargenschwankungen in der Fertigung zu Ausfällen führen? Wie kann überhaupt etwas optimiert werden, wenn die Eingangsparameter ein sehr breites Streuband haben?
Hier setzt ein neuer Ansatz an: Matplus EDA ist als zentrales Wissenssystem für die Werkstoffe eines Unternehmens ausgelegt. Es ist kein klassisches LIMS oder lediglich eine Datenbank, sondern ein Governance-basiertes Informationssystem über den gesamten Lebenszyklus, das Werkstoffwissen von der Prozesshistorie über die Simulation bis zur Zulassung zentralisiert, strukturiert und verknüpft. Das System kann fragmentierte Daten in ein konsistentes, versioniertes und semantisch verstandenes Wissensnetzwerk transformieren – um den Hypercube berechenbar zu machen.
Den Hypercube beherrschen
Traditionell wurde der Hypercube mit empirischen Tests und tabellarischen Normdaten approximiert – oft mit groben Sicherheitsfaktoren und einem hohen Anteil an ‚Wissen im Kopf‘. Doch in Zeiten von Digital Twins und KI-gestützter Materialentwicklung ist diese Herangehensweise nicht mehr skalierbar. Die Zukunft gehört nicht mehr dem Durchschnittswerkstoff, sondern der abgesicherten, kontextualisierten Materialkarte – einer digitalen, nachverfolgbaren und simulierbaren Repräsentation, die den gesamten Hypercube mit seiner Variabilität und Unsicherheit abbildet. Um diesen Hypercube nutzbar zu machen, bedarf es einer systematischen Integration von Methoden. 1. Design of Experiments (DoE) ermöglicht es, den vollfaktoriellen Lösungsraum gezielt zu verkleinern und damit die Anzahl von Simulationsrechnungen oder praktischen Prüfungen deutlich zu reduzieren. 2. Integrated Computational Materials Engineering (ICME) mit JMatPro verknüpft dabei seriöses CalPhaD (Calculation of Phase Diagrams) mit zusätzlich berechneten Eigenschaften und liefert physikalisch konsistente Vorhersagen. 3. Die explorative Datenanalyse (OLAP) nutzt Daten aus Wissensgraphen und ICME, um Muster, Ausreißer und Korrelationen aufzudecken und so die Lücke zwischen Simulation und Realität zu schließen. 4. Ergänzend identifizieren Optimierungsalgorithmen, etwa Multi-Objective Genetic Algorithms, Pareto-optimale Werkstoffzustände, die Leistung, Kosten und Fertigungstauglichkeit balancieren.
Nutzen aus der Varianz ziehen
Damit wird eine gezielte, risikoarme und effiziente Werkstoffnutzung ermöglicht, ohne mit pauschalen Sicherheitsabschlägen oder konservativen Annahmen zu arbeiten. Statt einen Werkstoff als durchschnittlich zu behandeln, wird seine tatsächliche Variabilität erfasst und genutzt. Die zu erwartenden Vorteile:
- Präzisere Simulationen: Die reale Streuung von Eigenschaften kann abgebildet werden – durch stochastische Analysen oder Robustheitsbewertungen – was zu realistischeren Ergebnissen führt.
- Gezieltere Entwicklung: Mit Methoden wie DoE und ICME lassen sich bestmögliche Parameterkombinationen identifizieren, ohne jeden möglichen Zustand testen zu müssen.
- Reduzierter Prüfaufwand: Statt umfangreicher Full-Scale-Tests reicht oft eine gezielte Kombination aus Modellierung und Schlüsselprüfungen.
- Höhere Bauteilsicherheit: Ausreißer und kritische Randbedingungen können systematisch erfasst werden – nicht erst im Betrieb entdeckt.
- Innovationsspielraum: Neue Werkstoffzustände oder Fertigungsverfahren können sicher bewertet und schneller in die Anwendung gebracht werden.
- Wer den Hypercube im Griff hat, nutzt Werkstoffe nicht nur nach Toleranzfeld – sondern nach Verständnis. Es winken Leichtbauvorteile, verlängerte Lebensdauer und beschleunigte Innovationen, ohne Kompromisse bei Sicherheit und Zuverlässigkeit.
Digitale Workflows aufsetzen
Die Beherrschung des Werkstoff-Hypercubes ist der Startpunkt, um konsistente, nutzbare Materialmodelle für die Simulation zu generieren. Mit BPMN 2.0-basierten digitalen Workflows lassen sich komplexe Prozesse – von der Prüfdatenaufbereitung bis zur Freigabe – agil und Low-Code-basiert implementieren. Jeder Schritt ist dabei nachvollziehbar dokumentiert und auditierbar.
Python-basierte Script Tasks können auch anspruchsvolle mathematische Aufgaben übernehmen, z.B. automatisisertes Curve Fitting auf Basis gemessener Stauchversuche an Johnson-Cook- oder Zerilli-Armstrong-Modellen. Diese Skripte können als wiederverwendbare Plugins qualitätsgesichert in das Gesamtsystem integriert werden – unabhängig von späteren Systemupdates und ohne Anfälligkeit gegenüber veralteten VBA-Makros.
CAE-neutrale Materialkarten
Ein zentraler Nutzen dieser Digitalisierung: die Erstellung CAE-neutraler Materialkarten. Unabhängig vom Ziel-CAE-System (Abaqus, LS-Dyna, Ansys) wird der Werkstoff einmalig definiert und dann konvertiert – anstatt in jedem Tool separat und fehleranfällig neu parametriert zu werden.
- Konsistenz – Einheitliche Werkstoffdefinition über Simulationstools hinweg
- Vergleichbarkeit – Direkter Vergleich von Modellen und Ergebnissen, mit grafischer Analyse möglicher Abweichungen
- Konsolidierung – Zusammenführung mehrerer Materialkarten aus unterschiedlichen Systemen, z.B. PamCrash und LS-Dyna
Digitaler Zwilling des Werkstoffs
So entsteht ein verlässlicher, wiederverwendbarer Werkstoff-Digital Twin, der sich nahtlos in bestehende Engineering-Prozesse integrieren kann. Als Grundlage für schnelle, sichere und transparente Simulationen. Die Integration in Systemumgebungen wie Teamcenter PLM und CAE erfolgt dann klassisch über REST-Schnittstellen.
