Data-driven modeling of mechanical properties of steel sheets obtained from an industrial production route

Die Stahlindustrie steht aufgrund der notwendigen Umstellung auf umweltfreundlichere Herstellungsverfahren vor großen Herausforderungen. Ein Ansatz zur Erleichterung dieses Übergangs ist die Erhöhung der Recyclingrate durch die Verwendung von mehr Schrott anstelle von reinem Eisenerz. Dies führt jedoch dazu, dass neue Elemente im Stahl eingeführt werden, welche sich auf die Mikrostruktur und damit auf die mechanischen Eigenschaften auswirken. Die Anpassung der Prozessparameter bietet eine Möglichkeit, diese Auswirkungen auszugleichen. Leider sind die optimalen Anpassungen oft nicht gut bekannt, und ein umfassendes physikalisches Modell des gesamten Produktionsprozesses ist aufgrund der Komplexität des Prozesses, der zahlreiche Einflussfaktoren und komplexe Wechselwirkungen umfasst, weder verfügbar noch machbar. Um diesen Herausforderungen zu begegnen, wird in dieser Arbeit ein datengetriebener Ansatz umgesetzt. Es werden verschiedene Methoden des maschinellen Lernens (ML) verwendet, um Modelle zu erstellen, die mechanische Eigenschaften mithilfe von Information über Prozessparametern und chemischer Zusammensetzung vorhersagen. Dazu gehören klassische Black-Box-Modelle, die aus statistischen Daten lernen, welche während des gesamten Prozesses gesammelt werden, von der Herstellung des flüssigen Stahls bis hin zu allen notwendigen Produktionsschritten, um qualitativ hochwertige, kaltgewalzte Coils aus kohlenstoffarmem Stahl herzustellen. Zusätzlich werden Grey-Box-Modelle eingesetzt, bei denen physikalisches Wissen mit ML kombiniert wird, um die Leistung, die Vertrauenswürdigkeit und die Nachvollziehbarkeit der resultierenden Modelle zu verbessern. Ein wichtiger Aspekt dieser Arbeit ist die gründliche Bewertung der Stärken und Grenzen der verschiedenen Modelltypen, wenn sie auf die verfügbaren Daten angewendet werden, insbesondere im Hinblick auf die Vorhersagequalität und die Interpretierbarkeit. Während die verwendeten Grey-Box-Modelle mathematische Gleichungen für die Schätzung des Zielwertes liefern, was eine einfache Interpretation ermöglicht, können auch klassische Black-Box-Modelle eine ähnliche Interpretierbarkeit erreichen, indem sie modernste Techniken der Feature Importance Analysis verwenden, die eine lokale Erklärbarkeit eines jeden Modells bieten.