Ausgangslage

Komplexe Gussteile benötigen Sandkerne zur Herstellung von Hohlräumen und Hinterschneidungen. Anorganisch gebundene Sandkerne sind umweltfreundlicher als organische Systeme, lassen sich nach dem Gießen jedoch schwerer entfernen.

Zielsetzung

Vorhersage und Bewertung des Entkernungsverhaltens anorganisch gebundener Sandkerne mithilfe datenbasierter Machine-Learning-Modelle. Dabei soll untersucht werden, welche Prozess-, Material- und Signaldaten für die Entkernbarkeit besonders relevant sind.

Lösungsweg

Experimentelle Daten aus Entkernungsversuchen wurden aufbereitet und als Trainingsdaten verwendet. Durchführung einer PCA-Analyse zur Klassifizierung unterschiedlicher Sandkerngruppen, Bewertung der Merkmalsrelevanz im gesamten Feature-Bereich mittels Random-Forest-Methode sowie Anwendung der SHAP-Methode zur Erklärung des Einflusses zentraler Merkmale.

Technik

• Python
• PCA-Analyse
• Random Forest
• SHAP

Reference

Laufzeit

01/2023 - 07/2023