MAINTENANCE Predictive Maintenance auf Mikroebene – Wie Machine Learning die Lebensdauer von 316L-Edelstahl vorhersagt
Wartung endet nicht an der Oberfläche. Während Betreiber von Edelstahl-Anlagen bisher vor allem Korrosion, Rissbildung und Materialermüdung im Blick hatten, rückt nun die innere Struktur des Materials stärker in den Fokus. Eine aktuelle Studie zeigt, wie sich mithilfe von Machine Learning und mikrostrukturbasierten Simulationen Veränderungen in der Mikrostruktur von 316L-Edelstahl sowie die daraus entstehenden Schwachstellen bereits auf Körnerebene vorhersagen lassen. Damit entsteht eine neue Grundlage für eine vorausschauende Maintenance, die gezielter und effizienter arbeitet.
Ein Beitrag von Anett Leonhard, Edelstahl Aktuell
Die Zuverlässigkeit von Edelstahl hängt eng mit seiner Mikrostruktur zusammen. Kornform, Orientierung und Textur beeinflussen, wie sich Spannungen verteilen, wo sich Risse bilden und wann Bauteile versagen. Insbesondere Schweißnähte stehen dabei im Mittelpunkt, da hier unterschiedliche Gefügezonen zusammentreffen und gerichtete Kornstrukturen entstehen. Für sicherheitskritische Anwendungen wie die Kerntechnik, Chemieanlagen oder die Luftfahrt ist dies von entscheidender Bedeutung. Mit klassischen Simulationsmethoden lassen sich diese Effekte zwar abbilden, doch der Rechenaufwand ist immens. CPFE-Simulationen( Crystal Plasticity Finite Element) berechnen das plastische Verhalten einzelner Körner, benötigen dafür jedoch enorme Kapazitäten. Für den industriellen Alltag ist das bislang kaum nutzbar.
Machine Learning als Beschleuniger In der von einem internationalen Forschungskonsortium durchgeführten Studie werden erstmals hochaufgelöste Gefügedaten aus geschweißtem 316L-Edelstahl mit CPFE-Simulationen und einem Machine-Learning-gestützten Surrogatmodell verbunden.
30
Edelstahlanlagen im industriellen Einsatz zeigen, wie präzise Instandhaltung und digitale Methoden die Lebensdauer entscheidend verlängern können. Foto: Policarpo Brito / pexels
Anstelle von Tausenden Simulationen genügen nun 200 Durchläufe. Dies wird durch Polynomial-Chaos- Expansionen ermöglicht, ein mathematisches Verfahren, das viele Zufallseinflüsse der Mikrostruktur zusammenfasst und mit wenigen Rechenschritten die gleiche Bandbreite an Ergebnissen liefert wie mehrere tausend Einzelanalysen. Der Rechenaufwand sinkt also erheblich, während die Genauigkeit erhalten bleibt. Damit rückt der Einsatz solcher Modelle auch im industriellen Umfeld in greifbare Nähe.
Kritische Texturen im Fokus Besonders aufschlussreich ist die Erkenntnis, dass nicht alle Gefügevarianten das Degradationsverhalten gleichermaßen beeinflussen. Die Analyse identifizierte zwei Texturkomponenten: Cube und Goss. Dabei handelt es
EDELSTAHL AKTUELL | AUSGABE 8 | NOVEMBER 2025 sich um typische Ausrichtungen der Kristallstruktur im Korngefüge. Beide Varianten verstärken Spannungen im Material und gelten deshalb als entscheidende Treiber für Spannungsspitzen und frühe Schädigungen. Andere Texturvarianten wie Brass oder Copper hatten dagegen nur einen geringen Einfluss. Für Schweißprozesse und die anschließende Wärmebehandlung bedeutet dies: