Im Rahmen des Projektes wurde ein hochabrasionsbeständiger und aus­­reichend zäher Stahl für passive Bodenbearbeitungsgeräte entwickelt. Der Fokus lag dabei auf hochkohlenstoffhaltigen (> 1% C), niedriglegierten Stählen mit metastabil-austenitischem Gefügezustand. Das Projekt wurde vom BMBF gefördert.

• Two-body abrasion resistance of high-carbon metastable austenitic steels.
  https://doi.org/10.37904/metal.2021.4152
• Two-body abrasion resistance of high-carbon high-silicon steel: Metastable austenite vs nanostructured bainite.
  https://doi.org/10.1016/j.wear.2018.11.003
• Influence of Aluminum on the Wear Properties of High-Carbon Metastable Austenitic Steels.
  https://doi.org/10.1002/srin.202200545

Für eine gezielte Wärmebehandlung von Stählen ist die Kenntnis der Martensit-Starttemperatur (Ms) sehr wichtig. Deshalb wurden in der Vergangenheit viele Modelle zur Abschätzung von Ms entwickelt. Eine Übersicht über verschiedene empirische Modelle finden Sie hier.

• Unsere eigene Arbeit bestand zunächst in der Entwicklung eines zuverlässigen empirischen Modells zur Schätzung von Ms für hochkohlenstoffhaltige, niedriglegierte Stähle, deren Ms-Werte zwischen 0 und 50°C liegen. Solche Stähle haben ein hohes Potenzial für den Einsatz in Verschleißanwendungen; ein zuverlässiges Modell lag allerdings noch nicht vor. Das Projekt wurde vom BMBF gefördert und die Ergebnisse in steel research international publiziert: https://doi.org/10.1002/srin.202100576.
• Im zweiten Schritt wurde ein KI-Modell entwickelt, das es erlaubt die Ms-Temperatur von Stählen abzuschätzen, ohne aus der Vielzahl der existierenden empirischen Modelle das "Richtige" auswählen zu müssen. Es wurde eine Online-App entwickelt, um freien Zugriff auf das KI-Modell zu gewähren: https://eah-jena-ms-predictor.streamlit.app.
  Weitere Informationen zu KI-Modell und Datenbasis sind bei GitHub hinterlegt: https://github.com/EAH-Materials/MartensiteStart_DeepLearning.
  Die Entwicklung des KI-Modells erfolgte im Rahmen eines von der Carl-Zeiss-Stiftung geförderten Projektes. Die Ergebnisse wurden im November 2023 auf der AI MSE vorgestellt.

Ziel dieses Projekts ist die phasenspezifisch aufgelöste Charakterisierung der mechanisch-tribologischen Eigenschaften von verschleißfesten Stählen mit hohem Kohlenstoffgehalt.

• Characterization of the near-surface region of wear stressed high carbon TRIP steels
  Poster presented by Johannes Maier at Friction 2021.
  European Symposium on Friction, Wear and Wear Protection 18 - 19 Nov. 2021

Traditionell werden neue Werkstoffe nach einem trial-and-error-Ansatz entwickelt. Von der Forschung bis zur Anwendung benötigen diese Entwicklungsprozesse aber 15 bis 25 Jahre. Mittlerweile werden auch Materialberechnungs- und -simulationsmethoden sowie Methoden der Künstlichen Intelligenz zur Werkstoffentwicklung eingesetzt. Die Entwicklungszeiten neuer Werkstoffe bis zur Marktreife können damit deutlich verkürzt werden.

Die Zielfunktion der Werkstoffentwicklung ist bei allen Methoden aber gleich geblieben: In erster Linie müssen die funktionalen Anforderungen einer bestimmten Anwendung bei möglichst geringen Kosten erfüllt werden. Andere Faktoren, wie z. B. die Sicherheit der Lieferkette, die Verfügbarkeit der Rohstoffe, die Recyclingfähigkeit und die Umweltauswirkungen während des Lebenszyklus spielten und spielen im Prozess der Werkstoffentwicklung eine untergeordnete bis gar keine Rolle.

Dieses Projekt fokussiert auf die Entwicklung eines Legierungsdesign-Modells, das mit Hilfe von Machine Learning Methoden neue und zukunftsfähige Stähle identifizieren kann. Zukunftsfähige Stähle sind dabei Stähle, die auf versorgungskritische und recyclingunfreundliche Elemente verzichten und dennoch gleiche oder sogar bessere mechanische und ökologisch-ökonomische Eigenschaften aufweisen.

Das Projekt wird von der Carl-Zeiss-Stiftung gefördert.