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. 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 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: Durch die gezielte Kontrolle von Cube- und Goss-Anteilen im Gefüge lässt sich die Lebensdauer von Edelstahl-Komponenten deutlich verlängern.
Nutzen für Maintenance und Betrieb
Für Betreiber ergeben sich aus der Studie mehrere Vorteile. So lassen sich Inspektionspläne künftig genauer anpassen, da Hochrisikozonen im Material klarer identifiziert werden können. Anstelle pauschaler Prüfungen ist es möglich, Ressourcen gezielt dort einzusetzen, wo die Mikrostruktur tatsächlich Risiken birgt. Auch die Berechnung der Restlebensdauer gewinnt an Präzision. Anstatt mit großen Sicherheitsaufschlägen zu arbeiten, liefern die Modelle eine engere Annäherung an die Realität. Dadurch werden Stillstandszeiten reduziert und ein wirtschaftlicherer Betrieb ermöglicht. Darüber hinaus bietet der Ansatz die Chance, Schweißprozesse bereits in der Fertigung zu optimieren. So können Gefügedaten bewertet und gesteuert werden, bevor Bauteile in Betrieb gehen. Damit steigt die Sicherheit in allen Bereichen, in denen Edelstahl unter hoher Belastung zum Einsatz kommt.
Ausblick
Noch handelt es sich um ein Forschungsprojekt. Die Ergebnisse verdeutlichen jedoch bereits jetzt die künftige Rolle von Predictive Maintenance. Dabei rückt nicht allein Sensorik oder Big Data, sondern auch die Simulation innerer Werkstoffprozesse in den Mittelpunkt. Für Betreiber hochbelasteter Anlagen bedeutet das mehr Sicherheit, geringere Kosten und eine nachhaltigere Nutzung von Edelstahl.
316L UNTER DER LUPE
- Werkstoff: Austenitischer Edelstahl 316L, häufig in
Kerntechnik, Chemie- und Pharmaindustrie - Herausforderung: Mikrostrukturelle Unterschiede in
Schweißnähten treiben Korrosion, Ermüdung und Rissbildung - Studie (Mai 2025): Kombination aus EBSD-Daten,
CPFE-Simulationen und Machine Learning - Kernaussage: Cube- und Goss-Texturen sind die entscheidenden
Treiber für frühe Schädigung - Nutzen: Schnellere, genauere Prognosen für Wartung,
Inspektion und Lebensdauerplanung
Über den Artikel der Woche
Jede Woche beleuchten wir im Artikel der Woche ein spannendes Thema für die Edelstahlbranche. Weitere Artikel finden Sie auch in unserer Zeitschrift Edelstahl Aktuell. Um diese und viele weitere Artikel (fast) monatlich zu lesen, abonnieren Sie unsere Zeitschrift (erhältlich in Print und digital).
Möchten Sie als Autor mitwirken? Bitte kontaktieren Sie Anett Leonhard.
Jede Woche teilen wir einen neuen Artikel mit unserer Edelstahl Community. Machen Sie mit und lassen Sie uns Ihren Artikel auf Edelstahl Aktuell online und in gedruckter Form veröffentlichen.