Elucidating Graphite Formation Mechanisms of Ductile Cast Iron by Means of Artificial Intelligence

Kurzfassung Sphäroguss (GJS, Gusseisen mit Kugelgrafit) ist als traditioneller Konstruktionswerkstoff auch heute noch weit verbreitet. Kleine Schwankungen bei der Produktion von Gussteilen aus Sphäroguss können auf Grund der komplexen metallurgischen Zusammenhängen während des Herstellungsprozesses zu enormen Unterschieden bei der Graphitausbildung und dem lokalen Gefüge führen. Um eine konstante Produktion sicherstellen zu können und um die geforderten mechanischen Eigenschaften zu erreichen oder diese zu verbessern, ist eine genaue Kenntnis der Graphitausbildungsmechanismen notwendig. Die Ausprägung der Graphitmorphologie wird durch Einflussfaktoren beeinflusst, deren Auswirkungen und Ausprägungen im realen Gießereialtag nur schwer abschätzbar sind. Um die Mechanismen der Graphitbildung und die Ausbildung der lokalen Mikrostruktur genauer analysieren zu können wurden im Zuge dieser Doktorarbeit Schmelz- und Gießversuche im Labor- und Industriemaßstab durchgeführt. Mehr als 600 metallografische Proben wurden analysiert, die unter genau kontrollierten Rahmenbedingungen hergestellt wurden. Die Proben wurden unter Laborbedingungen am Österreichischen Gießerei-Institut (ÖGI) und unter industriellen Rahmenbedingungen in drei Gießereien abgegossen. In weiterer Folge wurden Algorithmen der künstlichen Intelligenz eingesetzt, um die Graphitausbildung auf Basis der Schmelz- und Gießversuche genauer analysieren zu können. Der Einfluss unterschiedlicher Eingangsparameter kann mit Hilfe künstlicher Intelligenz auf der Grundlage gleichzeitig auftretender Bedingungen und Muster analysiert werden und in weiterer Folge die Auswirkungen auf die Mikrostruktur vorhergesagt werden. Im Rahmen dieser Arbeit wurden die wichtigsten Einflussfaktoren von der ersten Beschickung bis zum endgültigen Abguss zusammengestellt und mit Hilfe statistischer Regressions- und Klassifizierungsmethoden analysiert und anschließend die Nodularität, die Kugeldichte und der Ferritanteil vorhergesagt. Durch die Vorhersage der lokalen Gefügeausbildungen können Maßnahmen zur Stabilisierung der Produktion definiert werden. Es wurden verschiedene Algorithmen des maschinellen Lernens hinsichtlich ihrer Eignung zur Vorhersage der Mikrostruktur von GJS getestet. Diese wurden anhand des mittleren quadratischen Fehlers (RMSE) und des Bestimmtheitsmaßes (R2) verglichen. Lineare Regression (LR), Gaußsche Prozessregression (GPR), Regression Trees (RT), Boosted Trees (BT), Support Vector Machines (SVM), Shallow Neural Networks (SNN) und Deep Neural Networks (DNN) wurden auf den erstellten Datensatz angewendet, um die Nodularität vorherzusagen. Die höchste Genauigkeit konnte mit DNN erreicht werden. Die endgültigen Modelle zur Vorhersage der Nodularität, der Kugeldichte und des Ferritanteils basieren daher auf diese Algorithmen. Zur Vorhersage des Ferritanteils wurde ein zusätzliches Klassifizierungsmodell vor dem Regressionsmodell verwendet. Dies ist notwendig, da das Modell nur für ferritisch-perlitische Sphärogusssorten gilt. Wenn das Modell davon ausgeht, dass die Probe nicht aus einer ferritisch-perlitischen Phase mit Grafit in Form von Kugeln besteht, wird das Regressionsmodell nicht zur Bestimmung des Ferritgehalts verwendet. Durch die Kombination des Klassifizierungsmodells mit dem Regressionsmodell wurde eine höhere Genauigkeit erziel und die Wahrscheinlichkeit für Fehlerhafte Vorhersagen reduziert. Die Innovation dieser Doktorarbeit besteht darin, dass Regressions- und und Klassifizierungsmethoden zur Vorhersage des Mikrogefüges von Gusseisen mit Kugelgrafit unter Verwendung von 45 Gießparametern einschließlich chemischer und metallurgischer Messwerte, der Abkühlgeschwindigkeit und zeitbasierter Eingangswerte angewendet werden. Bei neuen Gussteilen ohne Informationen über die lokale Abkühlraten kann anstelle der Temperaturmessung in den Gussteilen eine vorausgehende thermische Modellierung mittels üblicher Simulationssoftware aus der Gießereibranche durchgeführt werden und deren Ergebnisse als Eingangsparameter verwendet werden. Laut dem erstellten Modell ist die Graphitausbildung stark von der Erstarrungszeit, der Überhitzungszeit über 1500°C, der Abklingdauer, der Art und Menge des Impfmittels sowie vom Magnesium- und Cergehalt abhängig.