Querschnitt eines Strahltriebwerks mit hervorgehobenem Bereich, der eine 3D-Metalllegierung unter Belastung zeigt. Enthält einen farbigen Tomographen, Normaldruck und Gleitrichtungsindikatoren. Schematisch dargestellt, Weiterverarbeitung durch Machine Learning Techniken, mit finalem Ziel, Deformationsmuster zu erkennen.

© Stefan Eder

Der Forschungsbereich CMT konzentriert sich auf die Modellierung des Verhaltens von Werkstoffen unter tribologischer Belastung. Das primäre Ziel besteht darin, zu verstehen, wie sich Werkstoffe in oberflächennahen Bereichen unter Reibung und Verschleiß verhalten.

Wir verwenden fortschrittliche Berechnungsmethoden, insbesondere groß angelegte Molekulardynamik-Simulationen (MD-Simulationen), um die mikrostrukturelle Entwicklung von Werkstoffen unter Trockengleit- und Abriebbedingungen zu untersuchen, Einblicke in Verformungsmechanismen zu gewinnen und die dominanten Mechanismen als Funktion der Betriebsbedingungen abzubilden. Darüber hinaus haben wir reaktive MD-Simulationen eingesetzt, um das tribologische Verhalten fortschrittlicher 2D-Materialien wie MXenes zu untersuchen und so die Rolle der Oberflächenchemie bei Reibungs- und Versagensprozessen zu beleuchten.

Ein neuer Schwerpunkt der aktuellen Arbeit der Forschungsabteilung ist die Integration von maschinellem Lernen (ML) in die tribologische Modellierung. Durch das Trainieren von Modellen auf großen, selbstkonsistenten Datensätzen, die aus MD-Simulationen generiert wurden, wollen wir „tribologische Ashby-Diagramme” auf der Grundlage der ursprünglichen Mikrostruktur eines Materials erstellen, die Einblicke in dessen Verhalten unter verschiedenen tribologischen Bedingungen liefern. Langfristig sollen diese ML-Modelle kostspielige MD-Simulationen zur Vorhersage tribologischer Eigenschaften ersetzen und einen effizienteren und für die Technik relevanteren Ansatz für die tribologische Materialgestaltung und -optimierung bieten